Benchmark Radar 第六十天：250 颗星，以及一个背不下来的基准

Benchmark Radar 的第六十天。第六十天，Benchmark Radar 达到 250 颗星。每日扫描发布 471 条记录，推荐 199 条，领头的是 Uncheatable Eval：它用模型训练之后才发表的文本来打分。记分牌：250 颗星，41 个 fork。

作者：Koutian Wu；GitHub: ktwu01

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。阅读论文：arXiv:2609.11115。查询数据：Hugging Face 数据集。

本轮抓取 1,055 条，保留 471 条，推荐 199 条。

Uncheatable Eval 衡量基础语言模型压缩新采集文本的效率。测试材料按计划持续更新，降低了模型在训练中见过答案的可能。

ElecVQA-Bench 在比较视觉语言模型与纯视觉模型的输电线路缺陷检测能力时，控制了六项评估设置。统一输入分辨率后，原本视觉语言模型领先 20.53 分，变成纯视觉模型领先 0.57 分。

SWE-Flux 检验编程模型能否预测真实代码在运行时的行为，覆盖 12 个 Python 仓库的 480 个案例，标准答案来自插桩后的测试运行，不依赖另一个模型的判断。

为什么要在意

统一输入后，20 分的差距缩到不足 1 分。这正是雷达读方法、不读标题的原因。第六十天，250 人为这样一个专门捕捉此类问题的工具点了星。

解决的问题

• 每日快照：抓取 1,055，发布 471，推荐 199
• 记分牌：250 / 1000 星，41 个 fork

第六十一天：每日雷达继续扫描：新基准、新分数，数据库持续生长。

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。