研究与基准测试/2026-10-18/9 分钟样本级负向替换平均 75.80：阿里参与的 RARE 用固定十二项评开放剧本4B 的 RARE Negative 平均 75.80，比样本级静态高 3.82，超过 GLM-5.2 和 Claude Sonnet 4.6，低于 GPT-5 的 89.53 和 Qwen3.8-Max 的 91.07。评测尺子不跟训练条目一起变。
