AI一道题都没做,拿了满分——当考卷本身可以作弊,我们读了两年的排行榜还剩多少真相
引言 上个月朋友让我帮他挑个模型接客服系统。他甩过来一张榜:A模型87.1分,B模型73.0分。“差14分,选A吧?” 我没直接答,只问了一句:这14分里,有多少是"会修bug",有多少是 …
引言 上个月朋友让我帮他挑个模型接客服系统。他甩过来一张榜:A模型87.1分,B模型73.0分。“差14分,选A吧?” 我没直接答,只问了一句:这14分里,有多少是"会修bug",有多少是 …
引言 2026年,如果你只看AI的"成绩单",会以为我们生活在奇迹里:MMLU(综合知识考试)上,顶尖模型普遍考到92分以上,而人类专家平均才90分左右;GSM8K(小学数学)97%;HumanEval(写代码)94%。 …