GardenBench：轻量级LLM每日评测基准

2026年10月20日，arXiv Artificial Intelligence 刊出 Benedict Cummins-Mburu 等作者的论文，提出 GardenBench 基准。据该报道，GardenBench 包含 11 个测试套件，用于评测大语言模型（LLM）在多种任务上的能力；它通过轻量查询逐日记录模型性能变化，并同时追踪运行成本与耗时。该基准可对比不同模型提供商与版本的回答准确率和特性，捕捉模型上线后变更或新模型发布带来的性能提升与退化。评测基于通用任务，结果通过实时仪表盘公开，定位为面向消费者的低成本日常评测。目前该事件仅有这一篇主报道，尚无后续跟进报道，因此暂无与早先报道矛盾之处。

AI 根据报道生成 · 42 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。