#真实任务

看 benchmark 涨了 3 分，我反而更警惕

某模型发布说某榜单涨了 3 分，我把手头 20 个真实任务丢给它跑，它在榜单上的对手赢了我的 14 个。从那以后我看评测分数，第一反应不是「它变强了」，而是「它在什么上变强了」。