https://zheng-bobo.github.io/tags/benchmark/ Recent content in Benchmark on Blowing in the wind Hugo -- gohugo.io zh-CN Sat, 26 Sep 2026 23:00:00 +0200 https://zheng-bobo.github.io/post/llm-agent-benchmarks-guide/ Sat, 26 Sep 2026 23:00:00 +0200 https://zheng-bobo.github.io/post/llm-agent-benchmarks-guide/ <p>看模型发布报告时，我们经常会遇到一长串名字：ARC-E、ARC-C、MMLU、GPQA、GSM8K、HumanEval、SWE-bench、GAIA、WebArena、OSWorld……它们的分数不能直接横向比较，因为每个 benchmark 测量的能力、输入形式、可用工具和评分方式都不同。</p> <p>本文整理一张从“大模型答题”到“Agent 完成真实任务”的评测地图，并解释每个常见 benchmark 究竟是什么、适合测什么，以及不能从分数中推出什么结论。</p>