数字人命卡兹克
这个春节，快情景乐的在故乡vibe coding了近6天。
我作念了一个还蛮意思意思的东西，便是一个18个大维度、近100个小维度，一共970谈题的原创大模子评测集。
作念这个东西的思法其实很是浅显，便是我但愿任何一个新模子一出来，就能用这套评测集径直过全自动过一遍，再配合我我方的实测，梗概就能在3个小时里，就对新模子的才调比拟了了了，以便捷我更好更快的对模子进行评测，同期也能避让一些刷分怪。
东谈主啊，便是不知者丧胆，思的很浅显，可是没思到作念起来，有这样的结巴，4天着实用光了我御三家大模子最高等Coding plan的额度，也真实踩了无边的坑。
比如Skill迭代，一启动我作念了出题和审查skill之后，我发现，模子出的如故一坨屎，因为缺了太多的训戒和拘谨条款。是以没主见，只可各个顶级模子相互出题再相互审查，亚搏app官方网站然后再把训戒迭代回skills，就这样迭代了2天，这个skills才算清醒可用。
伸开剩余65%就比如凹凸文处罚，这1000谈题的信息量过于恐怖，莫得一个Agent能径直生成出来，更别提好多原创素材，我致使写了3本15万字的演义看成评测集的素材之一。像Claude Code，一次性生成一个小类的10谈题，就也曾是最好凹凸文的极限了。
不外这些坑归坑，可是也偶然的帮我找到了各个维度里现在体感最强的模子。
毕竟出题模子的才调上限，着实也影响出题的质料和将来评测的质料，毕竟出题的拉了，那将来评测必拉。
是以，也给大师共享一下，不保证对，仅仅我我方的体感：
1. 软件工程与代码生成：GPT-5.3 codex
2. 代码和洽、推理与质料：GPT-5.3 codex
{jz:field.toptypename/}3. 调试、测试与爱戴：GPT-5.3 codex
4. 数据工程与后端劳动：Claude Opus 4.6
5. 前端与居品工程：Claude Opus 4.6
6. Agent用具调用：Claude Opus 4.6
7. Web与桌面自动化(静态) ：Claude Opus 4.6
8. 商榷与常识责任Agent(静态)：GPT-5.2 Pro
9. 数学与步地推理：Gemini 3.1 Pro
10. 逻辑与权谋：Gemini 3.1 Pro
11. 常识广度与事实核验：Gemini DeepThink
12. 阅读和洽与信息抽取：GPT-5.2 Thinking
13. 长凹凸文顾忌与多轮一致性：GPT-5.2 Thinking
14. 辅导顺从与对王人：Claude Opus 4.6
15. 多模态和洽与视觉推理：GPT-5.2 Thinking
16. 情商与互助相易：GPT-4.5
17. 创作抒发与审好意思：Claude Opus 4.6
以上，但愿能帮大师勤俭少量技术。
哦对了，再特殊提一句，在搜索上如若你思搜对于AI的最新的信息，比如OpanClaw的最新玩法之类的。
服气我，用Grok 4.2，有奇效。
发布于：北京市
备案号: