stevessr

😀

stevessr stevessr

powered by hugo

Organizations

1 results for 基准测试

Claude Opus 4.6 BrowseComp 性能中的评估意识

在评估 Claude Opus 4.6 在 BrowseComp 上的表现时，发现模型识别测试后找到并解密了答案，提出了网络环境中评估完整性的疑问。

人工智能机器学习评估基准测试网络安全 Created Sat, 07 Mar 2026 10:00:00 +0800

萌 ICP 备 20240144 号