能力幻觉

AI 考试满分但活干不好 — 业界开始追问评测到底在测什么

大模型在 benchmark（标准测试）上刷出高分，落地却频频翻车。本期我们看一个正在升温的讨论：行业花几年建起的评测体系，可能从没在测「能不能干活」，只在测「记性好不好」。