Simon Willison 引述 Anthropic Frontier Red Team 对 GLM-5.3 网络能力的评估
Anthropic Frontier Red Team 在内部 Binary Exploitation 基准的 100 项随机任务中评估多个模型，GLM-5.3 在 4% 的测试中实现完整控制流劫持，Claude Mythos Preview 为 6%。Claude Opus 4.6 和 GLM-5.2 在这些任务中均未成功。
千机 API #评测/基准
#评测/基准
今日 0 条Simon Willison
宝玉的分享 Caveman 电报体 Skill 实测仅减少 8.5% 输出 Token，远低于宣传的 65%
宝玉测试并分析了 Caveman 电报体 Skill：JetBrains 使用 Claude Code 执行 SkillsBench 中的 86 个真实编程任务，强制 Skill 每次回复生效后，输出 Token 仅减少 8.5%，低于项目宣传的 65%。