#大模型测评

共 5 篇相关文章

一位开发者测评了19款大语言模型担任机器学习论文审稿人的能力，结果显示参数规模、价格和发布时间都无法预测审稿成绩。Qwen 3 235B满分、GPT-5.4 mini反超GPT-5.5，本文解析其配对样本设计、核心发现与工程踩坑。

一项Kaggle基准测试对比了Claude、GPT、Gemini与Gemma等七个大模型的RAG能力。结果显示：文档数量增多并未拉低准确率，真正拖垮小模型的是跨文档的两步推理，而免费开源模型竟反超付费小模型。

OpenCode 神秘模型 Fledge Alpha 实测报告：通过指令遵循、SVG 生成、浏览器系统、游戏及看板六道任务全面测评，揭示其功能逻辑扎实但视觉审美和交互细节明显不足的真实水平。

B站UP主用真实设计项目实测GPT-6 Astra的SketchUp建模与CorelDRAW排版能力，并横向对比DeepSeek、GLM等模型，探讨AI是否真正达到生产力级别。

海外博主实测阿里 Qwen3 Max 最新 0902 检查点：整体跑分升至 86.25% 登榜单第三，却在电梯、弓箭等前端交互题上退步，全靠一道 3D 手表题的首个满分拉动。附与 Gemini 3.8 Flash、Muse Spark 1.3 的横向对比。