Theo 自测 Terminal Bench 4：称性价比超 Opus 5.5
Theo 称做视频时还没有基准测试，只能自己跑分；看到 Terminal Bench 4 分数后表示性能优于 Opus 5.5，价格约为 1/30。
基准测试
所有带有「基准测试」标签的 AI 情报。
3 条情报timm 新增多标签分类支持
Ross Wightman 宣布 timm 库现已支持多标签分类，该实现源于去年年底的 Task 重构，虽曾搁置但经打磨后发布，作为基准测试仍相当有用。
fchollet：用 ARC-AGI-(n+1) 元基准检验通用性
François Chollet 提出检验人类水平通用性的思路：能否在 ARC-AGI-(n+1) 发布后立即通过，可作为元基准。