Epoch AI 推出 Benchmark Reviews 计划，对 AI 基准测试本身进行质量审计。首批 15 个基准中，4 个被判定为 Verified、9 个为 Flawed、2 个因信息不足无法评审，帮助开发者更谨慎地解读模型与智能体排行榜。
一键应用到您的开发环境与预算测算
LLM 评测机构 Vals AI 记录 GPT-6 Astra 在 Minecraft 中持续完成复杂长程任务：搭建半自动烈焰人农场、收集烈焰棒并进入诡异森林获取末影珍珠。随后苦力怕炸毁储物箱与床铺，暴露出智能体在关键物品保护和灾难恢复上的工程短板。
Vals 评测腾讯 Hy4 Preview：在 Vals Index 58 款模型中总体第 21（55.4%）、开源权重第 4，单次测试约 1.28 美元。Code Migration 得分 47.4% 挤进前十且成本远低于 Muse Spark 与 Opus 4.8；在三项智能体基准上为开源权重第一，并提供 1M 上下文与 64k 最大输出。
Vals AI 宣布 GPT-6 Astra 已通关 Factorio: Space Age。该扩展包含六颗星球，人类通关时间约为原版 Factorio 的 10–20 倍；Astra 累计游戏内时间超过 165 小时，墙钟时间约 2 天，展示前沿模型在长程、多目标建造与自动化任务上的能力。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察