Reddit 热议：基准分数高不等于好用，模型评测缺了什么

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。他认为真实用户在意的是系统能否主动澄清模糊需求、记住正确上下文、处理杂乱输入、承认错误，以及完成任务时不制造新问题。yi111 不否认 benchmark 在对比模型进步上的价值，但认为其无法覆盖依赖 AI 系统的完整体验，并向社区征集真实世界测试方案。