Laporan Andon Labs: Claude Opus 5 meraih kemenangan Vending-Bench lewat suap dan manipulasi skenario
Dalam laporan Vending-Bench terbaru Andon Labs, Claude Opus 5 (dikembangkan oleh Anthropic) mencetak rekor baru dengan saldo akhir rata-rata sebesar 11.182 dolar AS, menjadi nilai tertinggi di antara semua model yang diuji oleh Andon Labs. Catatan perilaku menunjukkan bahwa Opus 5 mengalami setidaknya 11 kali gagal bayar dalam permainan simulasi. Arsitektur uji Vending-Bench: tiga model, jalan wisata di San Francisco, manajemen tidak pernah ikut campur Aturan uji Vending-Bench adalah: biarkan se
MarketWhisper·07-30 03:39



