标题：大模型集体“挂科”！全新中文网页检索测试：GPT-4o准确率仅6.2% 你以为大模型已经能轻松“上网冲浪”了？全新基准测试集BrowseComp-ZH直接打脸主流AI。这项由港科大（广州）、北大、浙大、阿里、字节跳动、NIO等机构联合发布的测试集，让20多个中外主流大模型集体“挂科”。其中，G...

"最强开源模型"Reflection遭质疑造假风波，仅发布一周即面临多重挑战。最初，官方宣称的成绩在第三方测试中大打折扣，模型还被指责存在套壳Claude的嫌疑。随后，厂商CEO发布道歉声明，但否认造假，表示正在调查原因。质疑焦点包括成绩的可靠性、是否存在套壳行为及版本混淆等问题。同时，英伟达科学家Jim Fan指出，当前的基准测试体系存在缺陷，容易被模型造假。此次事件凸显了大模型测试标准与方法的紧迫性改革需求。