我有一个自己的大模型测试集。其实就是设定了一系列结果可验证的任务。比如：推理一个函数的执行结果、写一个能完成某任务的程序、分析一个故事中的人物关系、找出一段描写中使用不当的形容词、给出一个电路某两点之间的电压，等等。

所以，在和一些没怎么使用过大模型的朋友讨论大模型的时候，大家往往会惊讶于我对一些模型的评价，并表示”某某模型在某某测试中排名很靠前啊！“

在大模型问题上，大家也不要忘了，咱们最擅长的就是“跑分”，或者叫“测评优化”。

这是王洪成在做实验呢，还是庞青年在做实验呢？//@美人她爹: 自来火//@午后狂睡: …………