Ai2 测试开放预训练模型与前沿模型
摘要
我们测试了开放预训练模型和前沿模型，包括 Gemini 3.8 Flash、Claude Opus 5.5，以及 GPT-6 Sol 和 Luna。 前沿模型在较简单的问题上表现良好。但随着任务变难、输入变长，准确率急剧下降——在最长的通用有限问题上降至 13% 或更低。
摘要由模型根据原文撰写，以原文为准。
正文 · 原文
We tested open pretrained models + frontier models incl. Gemini 3.8 Flash, Claude Opus 5.5, & GPT-6 Sol + Luna.
Frontier models did well on simpler problems. But as tasks got harder & inputs longer, accuracy dropped sharply—to 13% or lower on the longest general finite problems.
来源：Ai2 · x.com
引用原文
allen_ai. We tested open pretrained models + frontier models incl. Gemini 3.8 Flash, Claude Opus 5.5, & GPT-6 Sol + Luna.[EB/OL]. (2026-11-04)[访问日期]. https://x.com/allen_ai/status/2117670297532797227.