吐槽部分AI研究高估模型能力：仅用聊天窗口测编程
scaling01 · x · 2026-07-20
有博主在评论一项被科普媒体报道的 AI 研究时指出，该研究在测试模型（如 GPT-4o）的编程能力时，并未使用真正的代码执行环境或 Agent 框架，而仅仅是在普通的聊天对话框中进行测试。这种方式严重脱离了实际的开发工作流，容易得出不准确或夸大模型能力的结论。
「模型」频道最新
- php2shell 漏洞实测：仅 2/5 前沿模型能完成利用移植，耗时 3.5-6 小时 — xeophon · 2026-10-27
- Qwen Code 发布 v0.26.2 预览版：新增会话权限规则与实验性共享 Agent Loop — qwen-code-review-bot · 2026-10-27
- GPT-6.1 Terra 事实错误率从 22.3% 降至 4.3%，降幅近 81% — haider1 · 2026-10-27
- GPT-6.1 Terra 发布:早期用户称写作与 computer use 表现亮眼 — BenBajarin · 2026-10-27
- GPT-6.1 Terra 跑分曝光:成本低至 Sol 一半,追不平 Astra — Angaisb_ · 2026-10-27
- Artificial Analysis 更新智能指数 v4.3.2，GPT-6.1 Terra 参与横评 — ArtificialAnlys · 2026-10-27