AA Briefcase v1.1
AssessCông cụ
Bộ đánh giá cho các công việc chuyên môn kéo dài nhiều giờ.
Vì sao ở đây
Xếp vào Assess: 2 bài bằng chứng từ 2 nguồn, chủ yếu là cập nhật framework, 1 bài trong 30 ngày qua. Độ tin cậy 39%.
Bằng chứng (2)
- 7The New Stack·21/9/2026model_releaseGrok 4.7 cải thiện khả năng lập trình dài hơi nhưng vẫn thua các đối thủ hàng đầu
SpaceXAI đã phát hành Grok 4.7 với quá trình huấn luyện tập trung vào các tác vụ kéo dài nhiều giờ, nhấn mạnh khả năng tự kiểm chứng và quản lý ngữ cảnh dài. Mô hình này cải thiện trên các bài đánh giá sức bền như Terminal-Bench 4.0 và CursorBench 4.0, nhưng vẫn kém Anthropic Claude Fable 5.1 trên Terminal-Bench và còn thiếu ổn định trong nhiều quy trình lập trình dài.
- 7Hacker News·5/9/2026framework_updateArtificial Analysis cập nhật Intelligence Index v4.2
Artificial Analysis đã phát hành Intelligence Index v4.2 với các bài đánh giá phức tạp hơn, tập kiểm tra ẩn và cải tiến chấm điểm nhằm hạn chế việc “lách” điểm số. Bản cập nhật bổ sung AA-Briefcase và GDP.pdf, đồng thời điều chỉnh trọng số của bảng xếp hạng và công bố kết quả mới do Anthropic và OpenAI dẫn đầu.