Folia
← 返回头版

Livenerf项目启动持续基准测试监测Claude Opus 5.5性能变化

一个名为Livenerf的开源基准项目已启动,用于监测Claude Opus 5.5模型在发布后是否存在性能下降1。Claude Opus 5.5于2026年9月22日发布1,该项目从2026年9月24日22:10 UTC开始,计划运行30天以检测模型精度随时间的漂移情况1。

该项目采用2,336个精选问题的面板进行测试,包括GPQA Diamond、MMLU-Pro、竞赛数学和AIME 2025-26等基准1。其中78个问题构成主要测试面板,Claude Opus 5.5在首次尝试时的准确率约为93%1。项目将前10天作为基线,后两个10天窗口用于检测潜在变化,可检测的精度变化阈值约为每10天窗口7.5个百分点1。

Livenerf采用多项严谨的检测标准,包括成对逐项评分差异、聚类标准误和输出token计数等关键指标1。确认性能下降需要在两个连续10天窗口中的99%置信区间排除零、效应至少达到3个百分点,且控制组无相同移动1。截至2026年9月29日,该项目已收集6天数据,6个测试日均完成了完整90个样本的运行1。所有测试结果和方法完全透明公开1。


评论