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
- 6TB Fable 数据遭倒卖：内含小米华为等企业泄露密钥 — teortaxesTex · 2026-09-11
- AI Sextet 活动:6 模型 14 天完全免费,含 DeepSeek/Qwen/GLM — airesearch12 · 2026-09-11
- BullshitBench 榜单更新:GPT-6-Astra 领先历代 OpenAI 模型仍未及 Anthropic — scaling01 · 2026-09-11
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11