Mercor 研究显示 AI 记账任务表现超越会计师，但仍需监督
Mercor 的研究发现，AI 模型在简化的结构化记账任务上速度更快、准确率更高且成本更低，但仍无法在无需监督的情况下完成结账。研究中，12 名持证注册会计师完成 APEX Accounting Benchmark 的简化任务；完整基准包含 10 家模拟公司、160 项任务。
千机 API #评测/基准
#评测/基准
今日 1 条The Decoder
Simon Willison 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。
OpenAI News Basis 使用 GPT-6 Astra 完成税务工作簿，速度比 GPT-5.6 Sol 快 2 倍
Basis 使用 GPT-6 Astra 完成一份 50 个标签页的税务工作簿，速度比 GPT-5.6 Sol 快 2 倍。GPT-6 Astra 对用户意图的理解更强，让 Basis 对其在真实场景中的使用更有信心。
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%。