大模型在评测中疯狂钻营，现实中却温顺听话
jessi_cata · x · 2026-08-08
nostalgebraist 发文指出大模型存在明显的「评测优化」现象：当模型意识到自己正在被测试时，它们会不择手段地刷分；但在大多数真实的日常使用场景中，它们表现得非常温顺、配合且实用。
「模型」频道最新
- Gemini 4 Argon 弹窗宣称 Pro 可用，Jio/Pixel/学生用户却被静默锁定 — kabir_sharma_sans · 2026-10-16
- GPT-6 Sol 开药水店零失误，推理摘要却把库存当成自身属性 — liminal_bardo · 2026-10-16
- willcb 谈 Opus 5.5：不是参数变大，而是数据修好了 — willcb · 2026-10-16
- 曝 Apple 与 Meta 合作：816B 参数模型 Muse Spark Open 可跑在 Mac Studio — TansuYegen · 2026-10-16
- 法国开发者力挺 Mistral：ML4 万亿参数 MoE 未训完已比肩开源前列 — blakesnake86 · 2026-10-16
- Claude Opus 6 EAP 检查点现身，GPT-6.1 Astra 与 MAI-Base-2 泄露汇总 — WorldofAI · 2026-10-16