跳到正文
Computing Life · Share · 鸭哥调研

Tmax 在终端测试上拿了 42.7%,但分数背后是基座模型的红利和测试本身的坑

别只看 42.7%:Tmax 背后的 RL 配方、基座红利和 Benchmark 陷阱

Ai2 和华盛顿大学开源了 Tmax-9B/27B,在 Terminal-Bench 2.0 上分别跑到 27.2% 和 42.7%。27B 的分数看着和 DeepSeek-v3.2、Kimi K2.5 这些大模型差不多,但拆开看,Qwen 3.6 基座自己就已经拿了 39.6%,强化学习(RL)训练实际只多贡献了 3.1 个百分点。

推荐理由:Ai2 和华盛顿大学开源的 Tmax-9B/27B 在 Terminal-Bench 2.0 上分别跑到 27.2% 和 42.7%,其中 27B 的 Qwen 3.6 基座本身已占 39.6%,RL 训练只多贡献 3.1 个百分点。

读原文 ↗导出 Markdown