Reddit 热议:基准分数高不等于好用,模型评测缺了什么
yi111 · reddit · 2026-10-14
Reddit 网友 yi111 发帖指出,模型在 benchmark 上分数极高,日常使用却可能令人沮丧。真实用户在意的其实是:系统会不会主动澄清模糊需求、记住正确的上下文、处理杂乱输入、承认错误,以及完成任务时不制造三个新问题。
作者并不否认 benchmark 的价值,认为它在对比模型进步上仍然有用,只是认为它们无法覆盖「依赖一个 AI 系统」的完整体验。帖末向社区征集:你会给标准模型评测增加什么真实世界测试?
「模型」频道最新
- OpenAI 疑从条款中删去「无限对话」,Pro 用户实测用量未掉 — nharvey5576 · 2026-10-14
- Gemini 4 Argon 早期访问开始推送给 Google AI Pro 订阅用户 — rahularit · 2026-10-14
- Gemini 4 Argon GA：定价 2/10 美元，能力近 GPT-6 但可靠性存疑 — Latent Space · 2026-10-14
- Reddit 用户吐槽:ChatGPT 约 95% 对话结尾强行追问 — v-a-g · 2026-10-14
- 网友称发现Opus 3长程情境觉察火花，引Gemini报告佐证 — repligate · 2026-10-14
- 时序预测模型 t0-gamma 发布，登顶 GiftEval 等三大基准 — fpedregosa · 2026-10-14