论文审计：API基准分数难以可靠迁移到聊天界面

Jennifer Wang等人发布论文，审计ChatGPT、Claude和Gemini共七套系统在九项基准（涵盖通用能力、社会偏见与谄媚性）上的表现，报告API评测与对应聊天界面之间存在系统性差异：API评测平均准确率高3.4个百分点，测试重测一致性高2.1个百分点。 对ChatGPT而言，访问方式造成的差异可与GPT 5.3和GPT 5.4之间的API性能差异相当。作者称，调整系统提示、采样参数和推理设置只能在部分情况下改变行为，未能可靠消除该差距。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。