評価の信頼性

【geek-terminalニュース】DeepSeek V4.1 Flash 1017は本当にGPT-6 Solに勝ったのか？Vals AI主張の検証

📝 本日のニュース概要以前お伝えしたDeepSeek V4.1 Flash 1017の続報です。Redditで「Vals AIの評価でFlash 1017がGPT-6 Solに勝った」という投稿が話題になっていますが、今回の検索ではベンチ...

ローカルLLM

【geek-terminalニュース】Gemini 4 Argonの評価は信頼できるのか？ベンチマークの「測る側」問題（本文未確認）

📝 本日のニュース概要以前お伝えしたGemini 4 Argonの続報です。StarCraftを実際にプレイさせる新ベンチ「Star Skirmish」と、ML R&Dベンチの約4分の1にバグがあったとされる検証が同時に話題になりました。...