又一个高调基准测试翻车:评测提示词写得严重不规范
marktenenholtz · x · 2026-10-14
marktenenholtz 吐槽:又一个高调发布的模型基准测试,提示词写得严重不规范、缺乏清晰定义,使结果的可比性和可信度存疑。这反映了当前 AI 评测中普遍存在的提示词工程随意问题——提示词的细微差异足以显著影响模型成绩。
「模型」频道最新
- 传 Google 将推 Gemini 4 Boron 接替 3.1 Pro(未证实) — Any-Field-4793 · 2026-10-14
- 单张 A100 跑出 12 万 tokens/秒，Argon 优化 Gemma 实现 2.9 倍提速 — osanseviero · 2026-10-14
- 从 merge 曲线推断:Anthropic 新模型内部仅领先公开发布 5 周 — ziv_ravid · 2026-10-14
- Perplexity 即将发布 PPLX-Decider v1.2 27B 决策模型 — ChrisUniverse · 2026-10-14
- Anthropic 收紧地区政策:Claude 封禁中俄等 12 国,香港澳门除外 — scaling01 · 2026-10-14
- 网友盛赞:Anthropic 5.5 系列或是同时代最强模型家族 — adonis_singh · 2026-10-14