Benchmark Radar 第九天：采纳前沿与分数进展层
Published:
排行榜以前只是一张排名表。第九天，我们把它改成了能回答问题的研究工作台，加了采纳前沿、分数进展和饱和度可视化。
Benchmark Radar 已上线。 每天追踪新的 AI 基准测试、数据集与排行榜：打开仪表盘 或 在 GitHub 上 Star。
大家好，我是 Koutian。先解释几个词。排行榜（leaderboard）就是一张公开排名表，看哪些基准测试得分高。模型卡（model card）是研究者写的一张卡片，说明一个模型跑过哪些基准、得了多少分。commit 是我们保存的一段代码改动。
第九天我们做了这些事。
我们加了一个「采纳前沿」视图。它能看出哪些基准被各家实验室采纳得最快。图上的横轴是基准的成熟度，纵轴是采纳速度，一眼就能看清趋势。
我们新增了一层「分数进展」数据。里面有 70 条分数记录，每条都链接到报告它的模型卡或论文，还标了具体的文件和行号。你点进去就能核对原始出处。
现在仪表盘把「分数饱和度」和「采纳趋势」画在同一条时间轴上。你能看到某个基准的分数什么时候不再往上涨，以及实验室什么时候不再用它。
研究工作台重新设计过了，内部编号是 FINDING-001。原来的排名列表现在改成了工作台。每条基准都展示分数历史、采纳轨迹和来源证据。
我们加了分数验证。每引用一个分数，系统都会去核对它到底属于哪个基准。这样能抓出把分数张冠李戴的情况。
阅读间隔也修好了。它指一个基准最近一次被提到，到今天隔了多少天。以前用全局时钟算，现在按每个基准自己的最近一次提及来算，更准确。
流水线也修了。自定义注册表和默认分数的配对问题解决了，默认注册表现在能被识别。不是有限数值的分数会被直接拒绝。
8 月 2 日那天的快照我们补回了。那天采集出了缺口，现在填上了。
我们还补写了「发现窗口」的文档，说明 CI 流程里的第二个发现窗口是干什么的。
为什么这些重要。
第九天是雷达从「采集工具」变成「分析仪器」的转折。分数进展层让你能问出这种问题：GPT-4 的 MMLU 分数在几个版本之间是怎么变的？采纳前沿让你能问：实验室们正在往哪些基准上靠？如果你也在决定自己的模型该跑哪些基准，这些问题才是你真正关心的。
工作台的重新设计也说清了我们服务谁。排名列表给随便看看的人用，工作台给需要把结论追溯回来源的研究者用。
解决掉的 issue 和 PR：
- #106：记录发现窗口
- #108：回填 8 月 2 日快照
- #113：记录发现窗口
- #114：饱和度可视化
- #115：8 月 2 日快照回填
- 分数进展层（70 条来源验证观察）
- 基准采纳前沿
- 研究工作台重新设计
第十天：我们做了每日简报、GPT 洞察，并准备发布。
想跟进 Benchmark Radar？在 GitHub 上 Star 仓库 获取每日更新，或 打开实时仪表盘 浏览扫描结果。阅读论文：arXiv:2609.11115。