AI 模型评测

评测难的不是出题，而是让分数真的代表能力。UNO-Bench 用 44 类任务统一口径，配套打分模型把一致性做到约 95%；AMO-Bench 请专家新出 50 道 IMO 级题目绕开语料记忆，多数模型得分仍不足四成。智能体评测从真实失败案例起步，并分清 pass@k 与 pass^k——后者才对应“每次都得可靠”。