Latest in AI

Opus 4.6, Codex 5.3, and the post-benchmark era★ 80

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。