Hamel Husain质疑Terminal-Bench等四项主流基准的质量

Hamel Husain援引Epoch AI的独立审查结果，质疑行业公开基准与其质量不匹配。Terminal-Bench 4.0.0有45.5%的任务存在评分缺陷，DeepSWE v1.1至少20.3%的任务存在假阴性，OSWorld 2.1和HealthBench Professional抽审任务中分别有72%和50%存在错误。