我對此感到困惑。這與我實際的日常體驗完全不符，我發現現在的LLM大多數聽起來都差不多，自從Claude 3.5 Sonnet以來就是這樣。要麼基準測試變得毫無意義，要麼模型已經變得如此優秀，以至於進一步的改進只能通過嚴格的分析來感知，而不是通過直覺。