llm-testing

作者利用名为Enclosure的确定性模拟办公室环境，为AI模型创建了一个名为Disposition的性格测试，并正寻求社区帮助以测试更多模型。

作者强调评估框架对DeepSeek V4.1 Flash AI模型的性能有显著影响，表明在AI测试中框架选择的关键作用。

一位独立开发者通过多模型路由器，利用免费额度测试了 Opus 5、Opus 4.8、GPT-5.6 Sol 和 Kimi K3，发现评估预算和输入预处理比原始模型选择更重要。

六个AI模型被要求结成联盟，以赢得一份资金提案挑战。它们独立协商伙伴关系，形成了三个竞争团队，展示了自主协调和战略谈判能力。

用户寻求针对短时LLM测试会话的成本效益云GPU工作流程建议，强调在运行之间保留环境时存储费用是主要痛点。

LLMTest 是一个帮助开发者在应用中使用合适的 LLM 并设置回退方案的工具。

GaoYao发布18.2万样本、覆盖26种语言与51个地区的基准，系统评测大模型多语言与多文化能力，首次揭示显著地域性能差异。