PostTrainBench v1.1 基准评测：LLM 自主后训练能力

PostTrainBench v1.1 用于衡量 LLM 自主完成后训练的能力，每个智能体拿到 4 个基座模型，需在 7 个目标基准上最大化得分。评测用 LLM 裁判标记污染、外部 API 或蒸馏、查询榜单历史等违规行为，被标记的运行按基座模型成绩计分。