先了解这件事
2026年10月9日,Artificial Analysis发布基于Harvey LAB数据集的Harvey LAB-AA评测结果,并与Harvey联合推出评分方法v1.1。该版本新增幻觉检查,要求通过任务不得含重大幻觉,并推出新指标Hallucination-Gated All-Pass Rate;幻觉检查分两阶段、均使用GPT-6 Sol (high),先比对交付物与任务源文档,再复核标记并区分重大与轻微幻觉,一次重大幻觉即使任务在该指标上的贡献归零。评分标准改由GPT-6 Sol、Grok 4.7和Claude Opus 5.5三评委小组打分,取代v1.0的单评委,并在Harvey最新私有数据集上运行。结果显示,Grok 4.7 (xhigh)以9.4%居首,Muse Spark 1.3 (max)8.9%、GPT-6 Astra (max)8.6%紧随;测试中超过60%原本通过的结果含重大幻觉。
AI 根据公开报道生成
最新进展 · 正式报道
Artificial Analysis 与 Harvey 合作推出 LAB-AA 评测事件进展
1 个已确认进展
- 来源：Artificial Analysis
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
10月9日
Artificial Analysis
Artificial Analysis 与 Harvey 合作推出 LAB-AA 评测
Harvey LAB-AA 使用 @harvey 的 LAB 数据集，并与 Harvey 合作构建。 查看完整结果：https://t.co/vSNENODbYR 查看 Harvey 对该评测及人类专家偏好的评论：
Artificial Analysis
Artificial Analysis 推出幻觉评分流水线
Artificial Analysis 发布新的幻觉评分流水线，聚焦可能实质影响法律工作的错误，并区分无来源支持的任务特定主张与一般法律知识，后者不计入惩罚。该检查分两阶段、均使用 GPT-6 Sol (high)：先比对交付物与任务源文档，再复核标记并区分重大与轻微幻觉，一次重大幻觉即使任务在 Hallucination-Gated All-Pass Rate 上的贡献归零。评分标准改由 GPT-6 Sol、Grok 4.7 和 Claude Opus 5.5 三评委小组打分，取代 v1.0 的单评委，并在 Harvey 最新私有数据集上运行 v1.1。
Artificial Analysis
Harvey LAB-AA v1.1 引入幻觉门控评分，Grok 4.7 居首
Artificial Analysis 与 Harvey 联合发布 Legal Agent Benchmark 评分方法 Harvey LAB-AA v1.1，新增幻觉检查，要求通过任务不得含重大幻觉，并推出新指标 Hallucination-Gated All-Pass Rate。Grok 4.7 (xhigh) 以 9.4% 居首，Muse Spark 1.3 (max) 8.9%、GPT-6 Astra (max) 8.6% 紧随；测试中超过 60% 原本通过的结果含重大幻觉。GPT-6 Astra (max) 平均每任务 0.03 个重大幻觉，Grok 4.7 (xhigh) 每任务成本约 $9.50，低于 Claude Fable 5.1 (max with fallback) 的约 $21.70。