刷榜 AI 全挂了!Meta 斯坦福地狱级测试,GPT/Claude/Gemini 交出 0 分

Anthropic 用一组平行 Claude 写了个 C 编译器,Cursor 发博客讲长时间自主编程,Epoch AI 的 MirrorCode 也在做类似的事 … 参加测试的共有 9 款模型,涵盖 Claude、Gemini、GPT 三大家族 … Claude 系三款旗舰(Opus 4.7、Opus 4.6、Sonnet 4.6)领先,GPT-5.4 和 Gemini 3.1 Pro 构成第二梯队,剩下的四款小模型通过率都在 35% 以下。

原文连接