Epoch AI 推出 Benchmark Reviews，一项审计 AI 基准的新计划，首批覆盖 15 个基准。分类结果为 4 个 Verified（含 WeirdML v2、ExploitBench v0.1、PostTrainBench v1.1、SimpleQA Verified），9 个 Flawed（含 Terminal-Bench 4.0.0、SWE-Bench Verified、SWE-Bench Pro、Humanity's Last Exam 等），2 个因信息不足暂未审核（CritPt、FrontierCode）。