标签
文章批评了一个病毒式传播的AI基准测试，该测试声称Grok 4.6得分为1753，而人类专家为1000。文章指出，该测试基于AI输出之间的偏好比较，而非客观正确性，因此外观精美的工作可能会获胜，但未必真正更好。