热点事件持续更新
多模态模型超市货架审计基准评测
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月14日，Hacker News热帖介绍作者使用tinybenchmarks对gpt-6-astra、gpt-6.1-sol、gpt-6-luna和gpt-4.1进行超市货架审计能力测试。测试包含5项任务，每个模型运行3次。结果显示gpt-6.1-sol表现最佳，排面计数达到100%正确，缺口计数为78%正确，单次完整运行成本为0.24美元。评测认为，相关模型已能准确计数货架排面，但在识别需要补货的缺口时仍不稳定，目前可靠性尚不足以替代人工货架审计。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 21:59
最新评测显示gpt-6.1-sol表现最佳，但缺口识别仍不稳定。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- Hacker News：AI 热帖LLM 能审计超市货架了吗？
作者用 tinybenchmarks 对 gpt-6-astra、gpt-6.1-sol、gpt-6-luna 和 gpt-4.1 进行 5 项超市货架审计任务测试，每模型跑 3 次。gpt-6.1-sol 表现最佳，排面计数 100% 正确，缺口计数 78% 正确，单次完整运行成本 $0.24。模型已能准确计数排面，但在识别需补货缺口时仍不稳定，可靠性尚不足以替代人工货架审计。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。