Bindu Reddy @bindureddy

非常兴奋地推出我们新的代理长时程基准测试 - LiveBench 2.0 我们有数百个基准测试，但大多数都只是完全损坏且被基准最大化的。我们在过去几周里努力修复了这个问题 - 在 Argon 推出时发布 - 反映现实世界的模型性能 - 你无法在其上进行基准最大化 - 长时程类别非常准确 - 考虑成本/任务 迈向合法超级智能的第一步是让基准测试反映现实世界的性能