Repovive 数学竞赛 AI 判卷评测：GPT 与 Claude 模型评判数学证明的能力对比
Repovive 联合 IOI、IMO、ICPC 决赛选手评测 AI 判卷能力，从数学竞赛中选出 534 份可疑或边缘提交，建立统一评分标准与专家参考判断。模型整体偏严，更常拒绝有效提交；清晰指令让 GPT 模型平均提升约 2 个百分点，加入评分示例后 Claude 平均提升约 10 个百分点、GPT 约 5 个百分点。Grok 几乎拒绝一切，仅接受 1–5% 提交，而金标准接受 64.4%。
#xAI
#xAI
X：Karina Nguyen（@karinanguyen）AI 评分
Import AIAI 评分牛津等机构研究：AI在说服力上稳定超过人类专家
牛津大学、英国AI Security Institute、斯坦福大学和伦敦政治经济学院的研究者通过四项实验、18,978场对话、6,923名参与者发现，AI系统在文本说服上稳定超过人类专家，即使专家提前研究、接受数小时结构化训练并获得1,000英镑奖金激励。