模型评估讨论：测试套件问题

模型评估方式存在问题，建议使用标准测试套件。模型质量应与最小套件如Pi和Hermes Agent比较。目前缺乏标准化方法，但模型可能未来能动态生成套件。Claude模型在这方面已有尝试，但不够一致。测试套件工程是AI公司关注的焦点，但优化过于个性化。