我对此感到困惑。这与我实际的日常体验完全不符，我发现现在的LLM大多数听起来都差不多，自从Claude 3.5 Sonnet以来就是这样。要么基准测试变得毫无意义，要么模型已经变得如此优秀，以至于进一步的改进只能通过严格的分析来感知，而不是通过直觉。