AI工具测评
未读
基准分骗了你：我用「四连任务」测了六款主流模型，断层出现在第二步
基准分骗了你：我用「四连任务」测了六款主流模型，断层出现在第二步 "模型帮我写完了代码，我把报错贴回去，它说'这段代码有一个问题'——然后给我写了一个和原来完全不同的函数。" 你有没有遇到过这种情况？它忘了那是它自己写的。 这不是偶发的玄学 bug，这是一个系统性问题。而这个问题，在任何一张 MML
AI工具测评
未读
别再看榜单了：选Agent工具，这4个维度比跑分有用10倍
别再看榜单了：选Agent工具，这4个维度比跑分有用10倍 你有没有遇到过这种情况： 在某个AI榜单上找到一个综合评分第一的Agent，兴冲冲地拿来处理一个"帮我整理竞品信息、汇总成报告、然后起草一封跟进邮件"的任务——结果它在第三步就开始一本正经地胡说八道，给你编了一堆根本不存在的竞品数据，还用极
AI工具测评
未读
OpenAI 亲自下场造框架，LangChain 却越来越火——这事有点反常识
OpenAI 亲自下场造框架，LangChain 却越来越火——这事有点反常识 如果 OpenAI 自己出了 Agent 框架，LangChain 应该死了才对。 但打开 star-history.com，你会发现 LangChain 的 GitHub Star 不仅没跌，反而还在涨。AutoGen
AI工具测评
未读
Agent 框架大乱斗：OpenAI Agents SDK 2.0 vs LangChain vs AutoGen，2025 年怎么选？
Agent 框架大乱斗：OpenAI Agents SDK 2.0 vs LangChain vs AutoGen，2025 年怎么选？ 你现在打开 GitHub，搜索 "agent framework"，结果页面有 47 个仓库，Star 都过万。 每个 README 都写着"生产级"、"企业就绪
AI工具测评
未读
跑分会骗人：我用4个真实任务，测出了开源与闭源模型之间那道看不见的断层
跑分会骗人：我用4个真实任务，测出了开源与闭源模型之间那道看不见的断层 上个月，我遇到了一件让我印象深刻的事。 一个开源模型在 MMLU 基准测试上的得分比 GPT-4o 高了整整 2 分。我心想，行，那就用它帮我改一封商务邮件——对方态度强硬，我需要软化措辞，但不能道歉，不能示弱，只是让语气不那么
AI工具测评
未读
网上的Agent横评越来越少了——不是大家懒，是真的贵到测不起
网上的Agent横评越来越少了——不是大家懒，是真的贵到测不起 你有没有发现，最近AI工具的横评越来越少了？ 不是说那种"我用了三天ChatGPT的感受"，而是那种严肃的、有对照组的、跑多轮任务的Agent横评——几乎绝迹。 偶尔冒出一篇，点进去一看：单次测试，一个任务，一个模型，作者自己说"仅供参
AI工具测评
未读
跑分骗了你：开源模型在这4个场景里，差的不是一点点
跑分骗了你：开源模型在这4个场景里，差的不是一点点 你有没有这样的体验： 看到某个开源模型在各大榜单上排名靠前，兴冲冲地切换过去用，结果发现——好像哪里不对，但又说不清楚哪里不对。改出来的稿子读着别扭，聊了十几轮之后感觉AI越来越"不懂你"，问了个专业问题得到一个听起来很像那么回事但你总觉得哪里有问
AI工具测评
未读
跑分追平了，但这4个场景里，开源模型还是会让你踩坑
跑分追平了，但这4个场景里，开源模型还是会让你踩坑 你有没有遇到过这种感觉： 换了一个模型，感觉"哪里不对劲"，但又说不清楚。文字通顺，格式正确，逻辑也没有明显漏洞——就是感觉有点不对。然后你把同样的问题扔给另一个模型，结果立刻不一样了。 这种"说不清的差距"，最近被沃顿商学院教授 Ethan Mo
AI工具测评
未读
语音基准全球第一，我用中文问它今天吃什么，它推荐了墨西哥卷饼
语音基准全球第一，我用中文问它今天吃什么，它推荐了墨西哥卷饼 语音基准全球第一，我用中文问它今天适合吃什么，它给我推荐了墨西哥卷饼。 不是在开玩笑。Grok Voice 在语音理解基准上跑出了 67.3% 的成绩，据报道位列当前公开榜单前列——但当我切换到中文，问了一句再日常不过的"今天天气有点冷，
AI工具测评
未读
同一周，两个框架，解决同一个问题——Agent Harness 时代来了
同一周，两个框架，解决同一个问题——Agent Harness 时代来了 你的 Agent 能跑，但你敢让它跑吗？ 这个问题听起来像绕口令，但如果你真正在生产环境部署过 AI Agent，你会懂这句话的分量。工具调用到一半网络超时、上下文被前几步的垃圾输出污染、某个子任务静默失败导致整条链路返回一个
