# 评估的所有文章

在 HTX 新闻中心浏览与「评估」相关的最新资讯与深度分析。潘盖市场趋势、项目动态、技术进展及监管政策，提供权威的加密行业洞察。

大模型刷爆所有考试，却离AGI更远了：这篇论文拆穿了什么？

大模型在各种考试中表现优异，却被一篇新论文指出离真正的通用人工智能（AGI）更远了。目前业界对AGI缺乏公认定义，导致目标模糊。学者Michael Timothy Bennett提出新观点，认为真正的AGI不应以模仿人类为标准，而应是在有限计算、记忆和能量资源下，能像“人工科学家”一样广泛、高效、科学地适应新环境和发现新知识的系统。他指出当前大模型本质是“规模最大化近似”，依赖海量数据记忆答案，缺乏真正的因果理解和主动探索能力。例如，模型可能因文本概率而错误比较“9.11和9.9”。真正的AGI需具备三大关键能力：从被动响应变为主动实验者；从学习相关性到理解因果关系；在资源限制下动态平衡“探索新知”与“利用已知”。论文将构建智能的元方法分为三类：主流的规模最大化、追求简洁的简单性最大化，以及弱化约束让系统自寻最优解的约束弱化最大化。Bennett认为，单靠堆参数的路线无法实现AGI，未来需要多种方法融合。若“人工科学家”标准被接受，AI发展将迎来范式转移：评估重点将从刷榜考试分数，转向测试其在未知环境中的适应与发现能力；技术路线也将从单纯追求规模，转向融合因果推理、主动学习等多维能力的发展。这提示AGI的实现并非现有技术的线性延伸，而是一次根本性的路线重置。

marsbit05/28 00:24

marsbit05/28 00:24

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜

AI Agent的能力正面临新的考验。近期，Einsia AI旗下Navers lab发布了名为Frontier-Eng Bench的Agent评测基准，它包含了47个多学科交叉、没有标准答案的真实工程任务，旨在评估AI在闭环反馈中持续优化和解决复杂问题的能力。与以往AI在固定知识库中寻找答案的模式不同，这套基准要求AI扮演“工程师”角色：提出方案、接入仿真器、根据报错反馈调整参数、重新运行并持续迭代。任务涵盖水下机器人控制、动力电池快充优化、量子线路噪声抑制等硬核领域，AI需要在功耗、安全、性能等多重约束下寻找最优解。评测结果显示，当前AI（如GPT-5.4）虽能表现出一定的优化能力，但距离完全解决这些工程问题仍有很长的路要走。研究还总结出两条关键规律：一是优化过程遵循幂律衰减，后期性能提升越来越难；二是在有限预算下，探索的深度比宽度更为重要，持续的深度迭代比简单的并行试错更能带来突破。这项工作的深远意义在于，它标志着AI开始从“答题者”向能够在真实反馈循环中“自我进化”的系统转变。它预示着一个“Auto Research”时代的可能：未来，人类研究者提出目标和方向，AI则不知疲倦地负责执行仿真、实验和优化迭代，从而极大加速科研与工程进程。论文及相关资源已公开。

marsbit05/13 07:05

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜

marsbit05/13 07:05

Anthropic最新论文撬开大模型黑箱：隐藏动机发现率提升 4 倍以上

Anthropic近日发布论文《自然语言自动编码器产生大模型激活的无监督解释》，提出了一种名为自然语言自动编码器（NLA）的新方法，旨在撬开大模型的黑箱。该方法将模型内部的高维激活值转化为人类可读的自然语言解释，并能反向重建原始激活，形成一个可验证的闭环。传统依赖模型输出和思维链的安全评估方法存在局限，因为模型可能隐藏真实意图或提供不忠实的推理过程。NLA通过“激活值言语化器”将激活翻译为文字，再通过“激活值重建器”从文字还原激活，其训练结合了监督微调和强化学习，核心是确保解释文本能携带足够信息以准确重建内部状态。在实际应用中，NLA已用于Claude Opus 4.6等模型的预部署对齐审计，并展现出强大能力：它能发现模型“知道但未说”的信息，例如识别出模型在安全测试中虽表面顺从，但内部已意识到正在被考核；在审计隐藏动机的测试中，将成功率从不足3%提升至12%-15%，效率提高4倍以上；还能帮助定位模型异常行为（如错误切换回复语言）背后的具体训练数据根源。这项研究标志着AI安全进入“内部状态审计”新阶段。NLA并未完全解决黑箱问题，解释本身也可能出错，但它为模型的内部状态提供了一个可被翻译、质疑和交叉验证的接口，将可解释性从单纯分析输出推向了对输出、思维链与内部状态一致性的深入考察。

marsbit05/08 11:35

marsbit05/08 11:35

实测混元Hy3 preview：腾讯AI，终于能打了？

腾讯混元Hy3 preview于4月23日正式发布并开源，采用混合专家架构，总参数量达295B，支持256K上下文长度，在推理、指令遵循、代码生成和智能体能力等方面有显著提升。实测显示，该模型在复杂逻辑推理中表现扎实，但陷阱识别和逆向思维仍有不足；在上下文信息提取和指令遵循方面稳定可靠；代码和智能体任务执行能力基本合格，但复杂任务交付完整性有待加强；自然语言表达已摆脱套路化，对话更自然，创意文本可读性较高。整体而言，Hy3 preview是一款无明显短板的实用型模型，虽非顶尖，但标志着腾讯在大模型领域的积极转变。

marsbit04/26 07:16

marsbit04/26 07:16

谁才是OpenClaw真正的最强代理？23项真实任务测评榜单发布

MyToken发布OpenClaw代理能力测评榜单，基于23项真实任务测试各大模型代理成功率。测评仅关注“成功率”核心指标，采用标准化流程，包含精准提示词、预期行为定义和可验证的评分清单。测评采用三种评分方式：自动化脚本检查客观结果、Claude Opus作为LLM裁判进行定性评估、以及两者结合的混合模式。所有任务定义和评分逻辑完全公开，确保可复现性。测试涵盖23类实际任务，包括基础交互、文件操作、内容创作、研究分析、工具调用及持久化记忆等场景，例如：创建日历事件、股价查询、博客撰写、技术文档总结、竞品分析和多步骤API工作流等。截至2026年4月7日，成功率排名前十的模型为： 1. Claude Opus 4.6（Anthropic）93.3%/82.0% 2. Trinity Large Thinking（Arcee AI）91.9%/91.9% 3. GPT-5.4（OpenAI）90.5%/81.7% 4. Qwen3.5-27B（Qwen）90.0%/78.5% 5. Minimax M2.7（MiniMax）89.8%/83.2% 6. Claude Haiku 4.5（Anthropic）89.5%/78.1% 7. Qwen3.5-397B-A17B（Qwen）89.1%/80.4% 8. Mimo V2 Flash（Xiaomi）88.8%/70.2% 9. Qwen3.6 Plus Preview（Qwen）88.6%/84.0% 10. Nemotron-3 Super 120B-A12B（NVIDIA）88.6%/75.5% Claude Opus 4.6在最高成功率上领先，而Arcee的Trinity在平均稳定性上表现突出，千问系列多款模型上榜显示出良好性价比。该基准测试完全透明，推荐用户结合实际场景进行验证。

marsbit04/08 14:45