Ethan Mollick @emollick

Artificial Analysis 终于转向闭源基准测试（再见 GDPval-AA），并发现开源权重模型比他们之前测量的落后得更多。对此要持保留态度，但这与普遍感觉相符：我们还没有看到 Fable 级别的开源模型。 [引用 @ArtificialAnlys]: 开源权重模型在 v5 中进一步落后。领先者 Kimi K3.1 Pro（权重尚未发布）得分为 46，落后领先者 12 分，而 v4.3 中的差距为 3 分。在已发布权重的模型中，DeepSeek V4.1 Flash 1017 (max) 和 GLM-5.3 (max) 得分最高，为 32 分，而 Claude Haiku 5.5 (max) 的得分超过它们。 差距在 HLE-Diamond 和 Terminal-Bench-Science 上最大，其中……