行业与实践 · 研究与基准测试

研究与基准测试/2026-07-09/9 分钟

满分档平均只有 3.2%：腾讯混元参与的长程终端基准用子任务给部分分

46 题、17 个模型。0.95 阈值上 Grok 4.5 为 28.3%（13/46），模型平均 6.4%；满分阈值平均 3.2%。782 次运行里 491 次有部分分。未解原因的分母却写成 660。