★ 3
Cohere 研究：AI 聊天机器人难以理解文化语境
加拿大 AI 实验室 Cohere 发布 CulturalRiddles 基准，用 45 国 166 名志愿者撰写的文化谜题测试 28 个 AI 模型。结果显示模型普遍缺乏深层文化理解且不愿承认无知，Gemini 3.1 Pro Preview 以 79.4% 居首，GPT-5.5 次之，Clau…
快公司12 天前
#AI 基准
共 3 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
开发者推出 FightBench 基准，用《真人快打 II》评测 AI 决策模型
开发者创建 FightBench 基准，通过让 AI 决策模型游玩世嘉 Genesis 版《真人快打 II》来评估其决策能力，读取游戏内存而非像素。Cloudflare Workers AI 的 Clef-flash 模型在 VeryHard 难度下击败 CPU，每轮约消耗 6008 tokens…
Hacker News – AI14 天前
★ 2
PokerTools Arena：本地 AI 扑克基准测试
PokerTools Arena 是一个浏览器优先的 AI 扑克基准测试平台，让多个 OpenAI 兼容模型在同一张无限注德州扑克桌上对战。相比静态问答集，扑克提供了对抗性、序贯、信息不完整的压力测试环境，所有决策由引擎重新校验。
Hacker News – AI41 天前