AI 基准测试再翻车：评测提示词严重不规范，结果可信度存疑

marktenenholtz 指出，又一个高调发布的模型基准测试因提示词写得严重不规范、缺乏清晰定义，结果的可比性和可信度存疑。他认为这暴露了当前 AI 评测中提示词工程普遍随意的问题，提示词的细微差异足以显著影响模型成绩。