我在 Hark、Instinct 和 Muse 上运行了相同的 6 项任务。第一名和最后一名仅相差 2 分

我想看看个人 AI 智能体之间的热度差距到底有多大实际意义，于是我在全新的聊天中，让 Hark、Instinct 和 Muse 完成了相同的 6 项任务，采用同一套评分标准，每项满分 10 分：Hark：57/60 Instinct：55/60 Muse：55/60 任务包括：一道逻辑谜题、一项研究任务（找到一款近期推出的免费 AI 工具，并附上来源）、一个带测试的 Python 函数、一个预算低于 20 美元的周末硬件项目、一份单页 AI 工作流指南，以及一项实时浏览器操作任务。亮点如下：- Muse 最擅长构建。编程和工程设计两项均为 10/10。它提出的硬件创意“Leash”是一个实体终端，用于批准或拒绝智能体的敏感操作。它的弱项是研究（7/10），主要问题在于工具选择。- Hark 表现最稳定。逻辑、编程和浏览器任务均获满分（我全程观看了它的实时操作）。它提出的“AgentMeter”是一款测量智能体所用硬件功耗的小装置，成本低于 20 美元。所有项目均不低于 9/10。- Instinct 在逻辑和指南两项上获得满分，指南涵盖了任务委派、成本节约、多智能体工作流和验证。最弱的一轮是工程设计（8/10），它的硬件概念不如另外两款吸引人。注意事项：每项任务只测试了一次，提示词难度适中，由人工在 GPT 辅助下评分。有几轮的回答缺少信息，所以我回头补取了这些信息，并根据评分标准调整了分数——这些数字只能作为大致排名的参考，不应奉为圭臬。最大的收获：在中等难度任务上，最高分与最低分仅差 2 分。接下来我想进行限时速度测试和失败恢复测试。你希望第二轮加入哪些任务？