Opus 4.6, Codex 5.3, and the post-benchmark era

隨著傳統基準測試飽和，2026 年的 AI 評估已進入「後基準時代」，需轉向動態、代理人（Agentic）與實用導向的評估方法。

本文探討在 2026 年面對 Opus 4.6 與 Codex 5.3 等頂尖模型時，傳統靜態基準測試（如 MMLU）已完全失效。AI 評估正式進入「後基準時代」，重點轉向評估模型在複雜、多步驟的代理人任務（Agentic tasks）中的實際表現。未來，評估將更依賴動態環境、人類反饋與客製化的工作流模擬，而非單一的分數指標。

摘要由 AI 整理,以原文為準。