HSS与TasteVal基准揭示模型视觉推理与品味能力

Import AI 476 周刊通过多个新基准测试与项目披露，揭示了当前 AI 领域的一个关键转折：美国与欧洲厂商推出的开源模型（如 Beam、Mistral Large 4）在 DeepSWE、GPQA Diamond 等核心能力指标上，性能已低于中国的 GLM-5.3 和 Kimi K3 等闭源或半开源模型。 具体数据显示，Elorian 与 Scale AI 发布的 Humanity's Sixth Sense (HSS) 视觉推理基准中，GPT 6 Astra 得分为 53.6%，而 GLM-5.3-flash 仅为 26.8%；P-Zero Research 的 TasteVal 基准显示 Opus 5.5 的实验研究品味超越人类专家基线，但作者 Jack Clark 据此将递归自我改进（RSI）发生时间的预测从 2028 年提前至 2027 年。此外，Reflection 的 Beam 模型虽然强调 Token 效率，但在 DeepSWE 1.1 等编码任务上得分仍不及 GLM-5.3；Mistral Large 4 虽主打网络安全优化，但在 Terminal-Bench 等测试中也未能超越中国模型。 在基础设施方面，美国能源部展示了跨实验室联邦训练 LLaMA 模型的可行性，但文章明确指出其算力规模（约数千 GPU）与工业界前沿水平存在约 100 倍的差距。综合来看，尽管西方在空间 AI 应用和联邦学习架构上有探索，但在模型本体能力的“硬指标”上，中国厂商目前占据优势地位。