模型们正在追逐不切实际的基准测试，但胜任实际工作的智能水平已经实现了

我感觉，最近的基准测试正在不切实际地拔高标准，把重点推向普通开发者很少接触的领域，比如二进制逆向工程，或者要求严格遵循某些指定的设计模式，一次性生成一个复杂的应用程序。我们真正想要的是一个准确、遵循指令且不擅自过度发挥的模型（例如，不去做那些没必要但看起来很炫的 3D 渲染）。如果我提示模型“生成一张鹈鹕骑自行车的 SVG 图”，那么一张简洁、干净的图形就应该算是百分之百达标。除非明确要求，否则模型没有理由硬塞进 3D 阴影、动画或精心设计的背景。我认为，一个很大的误区就是仅凭模型实现的 3D 细节来评判它，而这些细节从一开始就没人要求。那么，最新模型新增的那些应对边缘场景的能力，到底有多少在我们日常使用 AI 时真正有用？如果用不上，它们在排行榜中的权重就应该低得多。然而，我们看到的却是，这些应对边缘场景的能力获得了极高的评分。也许，要在你的业务领域取得完全相同的结果，你并不需要更强的模型。不过我也理解，模型能力趋于平稳这个说法，与 AI 市场估值不断增长的叙事背道而驰，所以就得永远把势头炒下去；随口一说罢了。