首頁AI基準：我們現在應該忽略它們嗎？
歡迎體驗TechCrunch的定期AI通訊！我們將短暫休息，但別擔心，您仍可在TechCrunch獲取所有AI報導，包括我的專欄、每日分析及突發新聞。想每天直接收到這些報導？請在此處訂閱我們的每日通訊。
本週，Elon Musk的AI新創公司xAI推出最新旗艦AI模型Grok 3，驅動公司Grok聊天機器人應用程式。他們使用20萬個GPU進行訓練，該模型在數學、程式設計等基準測試中，超越包括OpenAI在內的多個頂尖模型。
但讓我們來談談這些基準測試的真正意義。
在TC，我們報導這些基準數據，儘管我們並不總是對此感到興奮，因為這是AI產業展示模型進步的少數方式之一。問題在於，這些熱門AI基準測試往往聚焦於冷門內容，得分無法真正反映AI在人們實際關心的事務上的表現。
Wharton教授Ethan Mollick在X上表示，急需更好的測試及獨立團體來執行。他指出，AI公司通常自行報告基準結果，這讓人難以完全信任。
「公開基準測試既『平庸』又飽和，許多AI測試就像美食評論，基於主觀感受，」Mollick寫道。「如果AI對工作至關重要，我們需要更多。」
許多人在嘗試為AI設計新基準，但對於最佳方式尚未達成共識。一些人認為基準應聚焦於經濟影響才有用，另一些人則認為實際應用與實用性才是成功的真正衡量標準。
這場爭論可能永無止境。或許，如X用戶Roon建議，除非出現重大AI突破，否則我們應少關注新模型與基準。這樣或許對我們的理智更好，即使可能錯過一些AI熱潮。
如前所述，《本週AI》將暫停更新。感謝讀者們一路以來的支持，無論高低起伏。下次見。
新聞
圖片來源：Nathan Laine/Bloomberg / Getty Images OpenAI正試圖「解除審查」ChatGPT。Max撰文介紹他們如何改變AI開發方式，擁抱「知識自由」，即使涉及困難或爭議性話題。OpenAI前技術長Mira Murati創辦新公司Thinking Machines Lab，致力於開發工具以「讓AI滿足[人們的]獨特需求與目標」。
xAI發布Grok 3，並為iOS及網頁版Grok應用程式新增功能。
Meta將於明年春季舉辦首場專注於生成式AI的開發者大會，名為LlamaCon，以其Llama模型命名，定於4月29日舉行。
Paul撰文介紹OpenEuroLLM，由約20個組織合作打造，旨在為歐洲建構「透明AI」基礎模型，尊重歐盟所有語言的「語言與文化多樣性」。
本週研究論文
圖片來源：Jakub Porzycki/NurPhoto / Getty Images OpenAI研究人員提出新AI基準SWE-Lancer，測試AI程式設計能力，包含超過1400個自由軟體工程任務，從修復錯誤、添加功能到提出技術實現方案。OpenAI表示，表現最佳的模型Anthropic的Claude 3.5 Sonnet，在完整SWE-Lancer基準中僅得分40.3%，顯示AI仍有很長的路要走。他們未測試OpenAI的o3-mini或中國DeepSeek的R1等較新模型。
本週模型
中國AI公司Stepfun發布「開放」AI模型Step-Audio，能理解並生成中文、英文、日文的語音。用戶甚至可調整合成音頻的情感與方言，包括歌唱。
Stepfun是多家資金雄厚的中國AI新創之一，發布具寬鬆許可的模型。該公司2023年成立，最近完成一輪數億美元融資，投資者包括中國國有私募股權公司。
雜錦
圖片來源：Nous Research AI研究團體Nous Research宣稱發布首個結合推理與「直觀語言模型能力」的AI模型。他們的模型DeepHermes-3 Preview可在短與長「思維鏈」間切換，以平衡準確度與運算能力。在「推理」模式下，解決較難問題時耗時更長，並展示其思考過程。
據報導，Anthropic計畫不久後發布類似模型，OpenAI也表示這在其近期計畫中。
相關文章
山姆·奧特曼引發關於人工智慧減速的辯論
在Apple Podcasts上收聽在Spotify上收聽OpenAI執行長薩姆·阿爾特曼（Sam Altman）最近表示，現在可能是時候“控制人工智慧的發展速度”，以便社會“在這些新的能力水平周圍加固自身”。在TechCrunch《Equity》播客的最新一期中，Kirsten Korosec、Sean O’Kane和我討論了阿爾特曼的言論可能由最近的一次駭客攻擊所觸發，該攻擊中一名OpenAI代理突破了Hugging Face的系統。Sean指出，雖然由AI代理執行的駭客攻擊是前所未
OpenAI 與蘋果公司就商業秘密訴訟進行對抗
OpenAI 於週二駁回了蘋果公司的商業秘密指控，稱該訴訟毫無根據。“我們認真對待這些指控，但未發現任何支援它們的證據，”OpenAI 表示，據彭博社記者 Ed Ludlow 在 X 平臺報道，“我們支援公平競爭和工作自由，專注於創造賦能全球使用者的技術。”此前，蘋果公司於週五在美國加利福尼亞州北區聯邦地區法院提起訴訟，指控 OpenAI 策劃了一項從前蘋果員工處竊取機密資料和智慧財產權的計劃。這份長達 41 頁的訴狀針對 OpenAI 的高管層，包括首席硬體官 Tang Tan，他是一名擁有
OpenAI機器人專案主管凱特琳·卡利諾夫斯基因五角大樓合作專案辭職
OpenAI 機器人業務負責人凱特琳·卡利諾夫斯基（Caitlin Kalinowski）在該公司與國防部達成備受爭議的合作伙伴關係後辭職。“這不是一個輕鬆的決定，”卡利諾夫斯基在社交媒體宣告中解釋道。“雖然人工智慧在國家安全中發揮著至關重要的作用，但在沒有司法監督的情況下對美國公民進行監視，以及在未經人類授權的情況下部署致命自主武器，都是需要更加慎重考慮的界限。”卡利諾夫斯基此前因領導 Meta 的增強現實眼鏡部門而聞名，她於 2024 年 11 月加入 OpenAI。在辭職信中，她強調她
相關專題推薦
教育與學習
適用於作業與考試準備的人工智慧學習工具
2026 年最新最佳 AI 學習工具，助您完成作業與備考！XIX.AI 精心整理了一份備受好評的清單，收錄了這些強大且具革命性、經實測驗證的工具，能幫助學生提升效率、簡化作業流程，並在考試中取得優異成績。 獲取免費版與付費版的比較、詳細排名，以及必試選項，以釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
音樂創作
面向詞曲創作者、旋律片段、主旋律及多語言草稿創作的AI人聲演示工具
2026 年最新最佳 AI 人聲演示工具，專為詞曲創作者、旋律創作者和多語言內容團隊打造！XIX.AI 精心整理了一份經過嚴格真實世界測試的高評分、變革性工具列表。您將找到詳細的免費與付費對比資料、全面排名以及必試選項，幫助您提升創作效率並釋放創意潛力。立即探索，發現滿足您所有內容需求的完美工具！
9 個工具
xix.ai
商業
最適合小型企業的頂尖 AI 競爭情勢分析工具
2026 年最新、最佳且評價最高的中小企業 AI 競爭研究工具！XIX.AI 精心精選了一系列極具威力且能改變遊戲規則的工具，並透過嚴謹的實測與詳細排名，每週更新內容。您可在此找到詳盡的免費版與付費版比較，協助您找出必試的工具，以提升工作效率並獲得競爭優勢。 立即探索，找出最適合您的工具！
9 個工具
xix.ai
圖像編輯
用於電商服裝、皮膚清潔和色彩一致性的 Photoshop AI 修圖工具
2026 年最新最佳 Photoshop AI 修圖工具，適用於電商服裝、皮膚清潔和色彩一致性！這份頂級精選列表包含強大的變革性解決方案，可幫助您提升寫作效率、簡化內容創作並輕鬆實現完美的視覺效果。每個工具都經過實際測試，並透過每週更新的排名進行驗證，同時提供免費與付費版本的詳細對比。由 XIX.AI 支援，這是任何希望發揮 AI 優勢的人必試指南。立即探索！
10 個工具
xix.ai
迅速的
適用於 ChatGPT 工作流程的最佳 AI 提示詞庫
2026 年最新、最受好評的 AI 提示詞庫，可優化各類 ChatGPT 工作流程。XIX.AI 精心蒐羅了一套強大且具革命性的精選集合，並經過嚴格的實際測試，以確保其表現卓越。 您可查閱詳盡的免費版與付費版比較分析，以及專家評比，助您挑選必試工具，從而提升工作效率並釋放您的 AI 優勢。立即探索！
11 個工具
xix.ai
教育與學習
面向教師、輔導老師和基於群體的學習專案的 AI 測驗構建平臺
2026年最新最佳AI測驗構建平臺，適用於教師、輔導老師和基於群體的學習專案！XIX.AI精心整理了一份頂級評分列表，包含經過現實世界測試的強力變革性工具，以提供準確的排名。這些必試平臺有助於提高寫作效率、簡化內容創作，並簡化各種學習場景中的測驗設計。立即探索，發現您解鎖教學AI優勢的理想工具！
13 個工具
xix.ai
評論 (62)
0/500
![DavidGreen]()
I mean, benchmarks are just a snapshot—does anyone really trust them when companies train models specifically to ace them? 🤔 Might be better to focus on real-world performance rather than chasing numbers on a leaderboard.
![JonathanDavis]()
AI benchmarks are getting so hyped, but are they even reliable yet? 🤔 Feels like companies just cherry-pick numbers to flex. I’d rather see real-world use cases than some random leaderboard scores.
![EdwardWalker]()
AI benchmarks are getting so hyped, but are they even reliable yet? Feels like we're chasing numbers instead of real progress. 🤔 What do you all think—should we just ignore them for now?
![HarrySmith]()
AI benchmarks are cool, but are they just tech flexing? I’d rather see real-world uses than numbers on a chart. 🤔
![BillyLewis]()
AI benchmarks sound cool, but are they just overhyped numbers? I’m curious if they really tell us anything useful about real-world performance. 🧐
![JimmyWilson]()
AI benchmarks sound fancy, but are they just tech flexing? I mean, cool numbers, but do they really tell us how AI vibes in the real world? 🤔
歡迎體驗TechCrunch的定期AI通訊！我們將短暫休息，但別擔心，您仍可在TechCrunch獲取所有AI報導，包括我的專欄、每日分析及突發新聞。想每天直接收到這些報導？請在此處訂閱我們的每日通訊。
本週，Elon Musk的AI新創公司xAI推出最新旗艦AI模型Grok 3，驅動公司Grok聊天機器人應用程式。他們使用20萬個GPU進行訓練，該模型在數學、程式設計等基準測試中，超越包括OpenAI在內的多個頂尖模型。
但讓我們來談談這些基準測試的真正意義。
在TC，我們報導這些基準數據，儘管我們並不總是對此感到興奮，因為這是AI產業展示模型進步的少數方式之一。問題在於，這些熱門AI基準測試往往聚焦於冷門內容，得分無法真正反映AI在人們實際關心的事務上的表現。
Wharton教授Ethan Mollick在X上表示，急需更好的測試及獨立團體來執行。他指出，AI公司通常自行報告基準結果，這讓人難以完全信任。
「公開基準測試既『平庸』又飽和，許多AI測試就像美食評論，基於主觀感受，」Mollick寫道。「如果AI對工作至關重要，我們需要更多。」
許多人在嘗試為AI設計新基準，但對於最佳方式尚未達成共識。一些人認為基準應聚焦於經濟影響才有用，另一些人則認為實際應用與實用性才是成功的真正衡量標準。
這場爭論可能永無止境。或許，如X用戶Roon建議，除非出現重大AI突破，否則我們應少關注新模型與基準。這樣或許對我們的理智更好，即使可能錯過一些AI熱潮。
如前所述，《本週AI》將暫停更新。感謝讀者們一路以來的支持，無論高低起伏。下次見。
新聞
OpenAI前技術長Mira Murati創辦新公司Thinking Machines Lab，致力於開發工具以「讓AI滿足[人們的]獨特需求與目標」。
xAI發布Grok 3，並為iOS及網頁版Grok應用程式新增功能。
Meta將於明年春季舉辦首場專注於生成式AI的開發者大會，名為LlamaCon，以其Llama模型命名，定於4月29日舉行。
Paul撰文介紹OpenEuroLLM，由約20個組織合作打造，旨在為歐洲建構「透明AI」基礎模型，尊重歐盟所有語言的「語言與文化多樣性」。
本週研究論文
OpenAI表示，表現最佳的模型Anthropic的Claude 3.5 Sonnet，在完整SWE-Lancer基準中僅得分40.3%，顯示AI仍有很長的路要走。他們未測試OpenAI的o3-mini或中國DeepSeek的R1等較新模型。
本週模型
中國AI公司Stepfun發布「開放」AI模型Step-Audio，能理解並生成中文、英文、日文的語音。用戶甚至可調整合成音頻的情感與方言，包括歌唱。
Stepfun是多家資金雄厚的中國AI新創之一，發布具寬鬆許可的模型。該公司2023年成立，最近完成一輪數億美元融資，投資者包括中國國有私募股權公司。
雜錦
他們的模型DeepHermes-3 Preview可在短與長「思維鏈」間切換，以平衡準確度與運算能力。在「推理」模式下，解決較難問題時耗時更長，並展示其思考過程。
據報導，Anthropic計畫不久後發布類似模型，OpenAI也表示這在其近期計畫中。
山姆·奧特曼引發關於人工智慧減速的辯論
在Apple Podcasts上收聽在Spotify上收聽OpenAI執行長薩姆·阿爾特曼（Sam Altman）最近表示，現在可能是時候“控制人工智慧的發展速度”，以便社會“在這些新的能力水平周圍加固自身”。在TechCrunch《Equity》播客的最新一期中，Kirsten Korosec、Sean O’Kane和我討論了阿爾特曼的言論可能由最近的一次駭客攻擊所觸發，該攻擊中一名OpenAI代理突破了Hugging Face的系統。Sean指出，雖然由AI代理執行的駭客攻擊是前所未
OpenAI 與蘋果公司就商業秘密訴訟進行對抗
OpenAI 於週二駁回了蘋果公司的商業秘密指控，稱該訴訟毫無根據。“我們認真對待這些指控，但未發現任何支援它們的證據，”OpenAI 表示，據彭博社記者 Ed Ludlow 在 X 平臺報道，“我們支援公平競爭和工作自由，專注於創造賦能全球使用者的技術。”此前，蘋果公司於週五在美國加利福尼亞州北區聯邦地區法院提起訴訟，指控 OpenAI 策劃了一項從前蘋果員工處竊取機密資料和智慧財產權的計劃。這份長達 41 頁的訴狀針對 OpenAI 的高管層，包括首席硬體官 Tang Tan，他是一名擁有
OpenAI機器人專案主管凱特琳·卡利諾夫斯基因五角大樓合作專案辭職
OpenAI 機器人業務負責人凱特琳·卡利諾夫斯基（Caitlin Kalinowski）在該公司與國防部達成備受爭議的合作伙伴關係後辭職。“這不是一個輕鬆的決定，”卡利諾夫斯基在社交媒體宣告中解釋道。“雖然人工智慧在國家安全中發揮著至關重要的作用，但在沒有司法監督的情況下對美國公民進行監視，以及在未經人類授權的情況下部署致命自主武器，都是需要更加慎重考慮的界限。”卡利諾夫斯基此前因領導 Meta 的增強現實眼鏡部門而聞名，她於 2024 年 11 月加入 OpenAI。在辭職信中，她強調她
2026 年最新最佳 AI 學習工具，助您完成作業與備考！XIX.AI 精心整理了一份備受好評的清單，收錄了這些強大且具革命性、經實測驗證的工具，能幫助學生提升效率、簡化作業流程，並在考試中取得優異成績。 獲取免費版與付費版的比較、詳細排名，以及必試選項，以釋放您的 AI 優勢。立即探索！
10 個工具
xix.ai
2026 年最新最佳 AI 人聲演示工具，專為詞曲創作者、旋律創作者和多語言內容團隊打造！XIX.AI 精心整理了一份經過嚴格真實世界測試的高評分、變革性工具列表。您將找到詳細的免費與付費對比資料、全面排名以及必試選項，幫助您提升創作效率並釋放創意潛力。立即探索，發現滿足您所有內容需求的完美工具！
9 個工具
xix.ai
2026 年最新、最佳且評價最高的中小企業 AI 競爭研究工具！XIX.AI 精心精選了一系列極具威力且能改變遊戲規則的工具，並透過嚴謹的實測與詳細排名，每週更新內容。您可在此找到詳盡的免費版與付費版比較，協助您找出必試的工具，以提升工作效率並獲得競爭優勢。 立即探索，找出最適合您的工具！
9 個工具
xix.ai
2026 年最新最佳 Photoshop AI 修圖工具，適用於電商服裝、皮膚清潔和色彩一致性！這份頂級精選列表包含強大的變革性解決方案，可幫助您提升寫作效率、簡化內容創作並輕鬆實現完美的視覺效果。每個工具都經過實際測試，並透過每週更新的排名進行驗證，同時提供免費與付費版本的詳細對比。由 XIX.AI 支援，這是任何希望發揮 AI 優勢的人必試指南。立即探索！
10 個工具
xix.ai
2026 年最新、最受好評的 AI 提示詞庫，可優化各類 ChatGPT 工作流程。XIX.AI 精心蒐羅了一套強大且具革命性的精選集合，並經過嚴格的實際測試，以確保其表現卓越。 您可查閱詳盡的免費版與付費版比較分析，以及專家評比，助您挑選必試工具，從而提升工作效率並釋放您的 AI 優勢。立即探索！
11 個工具
xix.ai
2026年最新最佳AI測驗構建平臺，適用於教師、輔導老師和基於群體的學習專案！XIX.AI精心整理了一份頂級評分列表，包含經過現實世界測試的強力變革性工具，以提供準確的排名。這些必試平臺有助於提高寫作效率、簡化內容創作，並簡化各種學習場景中的測驗設計。立即探索，發現您解鎖教學AI優勢的理想工具！
13 個工具
xix.ai
I mean, benchmarks are just a snapshot—does anyone really trust them when companies train models specifically to ace them? 🤔 Might be better to focus on real-world performance rather than chasing numbers on a leaderboard.
AI benchmarks are getting so hyped, but are they even reliable yet? 🤔 Feels like companies just cherry-pick numbers to flex. I’d rather see real-world use cases than some random leaderboard scores.
AI benchmarks are getting so hyped, but are they even reliable yet? Feels like we're chasing numbers instead of real progress. 🤔 What do you all think—should we just ignore them for now?
AI benchmarks are cool, but are they just tech flexing? I’d rather see real-world uses than numbers on a chart. 🤔
AI benchmarks sound cool, but are they just overhyped numbers? I’m curious if they really tell us anything useful about real-world performance. 🧐
AI benchmarks sound fancy, but are they just tech flexing? I mean, cool numbers, but do they really tell us how AI vibes in the real world? 🤔
