Benchmark Radar 第六十九天：公开逐条预测，而不只是分数
Published:
Benchmark Radar 的第六十九天。每日扫描发布 577 条记录，推荐 174 条，领头的是 一项更新后的视网膜基准审计：它公开逐图像的清单和逐图像的预测。记分牌：275 颗星，45 个 fork。
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 1,318 条，保留 577 条，推荐 174 条。
更新后的视网膜基准审计提供按患者分组、按来源匹配、以及留出一个来源的三种评估的逐图像清单，另有逐图像的预测，并对 335 个可能的跨标签重复做了裁定。
Jeff/Gemma4 多模态包在冻结的设计下评估六个完整检查点。它公开逐条样本的预测、置信度与校准度量、GPU 延迟与显存，以及量化降低数值精度之后的配对漂移。
基于变换的对象约束语言基准，通过确定性且保持语义的操作改变模型表示，例如标识符重命名和关联具体化。它检验的是：所求约束的含义不变时，表现能否经得起表示方式的改变。
为什么要在意
每个样本都有公开的预测，读者就能自己重算那个标题数字，并查看它背后的具体案例。
解决的问题
- 每日快照：抓取 1,318，发布 577，推荐 174
- 记分牌：275 / 1000 星，45 个 fork
第七十天：扫描继续，星数来到 275。
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。