#LLM评测

哥伦比亚法律考了 15 个模型，Gemini 3.1 Pro 选择题 0.905 但写答案正确率不到 0.45，引用的法条一半是编的，做法律 AI 的都该看看。

模型说你没导演所以不选你，把导演资料塞回去它真会改主意吗？这篇把六个开源模型测了个遍，答案是……内容只占一部分。

跑大模型评测总烧钱？这个框架能省下最多97%的采样次数，结论还一样，做评测的人值得看看。