专题：llm-benchmark

Anthropic发布Claude Cowork，OpenAI推出GPT-5.4 mini/nano，Qwen3.5-9B在文档AI基准测试中表现突出，Mistral Small 4具备高效架构和多模态能力。文章涵盖模型性能、开源工具、技术选择及行业趋势。

一项研究揭示，基于关键词的 LLM 评分可能衡量的是模型对提示词的词汇回声，而非推理能力。当系统提示词与评分器词汇重叠时，模型会因模仿提示词而获高分，而非因推理更优。研究通过三种评分方法对相同数据测试，结果大相径庭，尤其在更强模型上，这种混淆效应更甚，导致误导性评估。因此，进行基于关键词的 LLM 评估时，需警惕提示词与评分器间的词汇重叠，以避免得出错误结…

一位用户分享了其为大语言模型（LLM）构建的个人基准测试，旨在评估模型在逐步推理、数学、指令遵循、歧义处理、解释能力及在线搜索等多个维度的表现。测试结果令人意外：在约15个问题中，GPT-OSS:20b在用户标准下常优于OpenAI和Mistral模型。同时，GLM-4.7-REAP-23b-a3b表现远逊于QWEN-3-VL-8b。该非正式测试揭示了大型…