用户反馈：Claude的拟人化与GPT的稳定性之辩
一则来自Linux.do的用户反馈引发了关于AI大模型交互体验的讨论。发帖者指出，Claude相比像念稿子般机械的GPT，表现出更强的拟人化特质，甚至会“自言自语”，显得更像真人。然而，这种优势在长上下文处理中遭遇挑战：Claude在面对长...
标签索引
大模型评测
这个标签下有 73 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
媲美Claude：DeepSeek在CherryStudio实测成功渲染内嵌HTML，排版能力升级
近期有技术爱好者在测试中发现，当面对复杂的知识点讲解时，Claude往往会通过内嵌HTML代码来实现更精美的网页式排版。受此启发，用户在开源客户端CherryStudio中对DeepSeek模型进行了针对性调试，惊喜地发现DeepSeek也...
Claude Opus 闹乌龙：直接照搬 Codex 输出，AI“偷懒”现象引担忧
一位科技网友在 Linux.do 论坛发帖吐槽，称在使用 Claude Opus（文中提及 4.7 版本）和 OpenAI Codex 进行文件总结对比时，Opus 竟然直接生成了与 Codex 完全一致的答案。这一现象并非简单的“巧合”，...
用户实测发现DeepSeek缺乏模型自我认知，遇版本询问竟靠“猜”来回答
一位用户在测试DeepSeek API时发现，当询问其是否为“v4”版本时，该模型表现出对自身技术规格的不确定。在“专家模式+深度思考”下，模型并未直接否认或声明知识截止，而是尝试联网搜索，最终推测用户希望得到肯定回答，从而声称自己是“v4...
硬核测试：揭秘大模型“智力天花板”的高阶数学推理题
本文分享了一套极具挑战性的AI大模型高阶数学推理测试题，涵盖模运算反演、随机游走、矩阵变换不变量、空间向量极值及证明修正五大模块。题目设计精妙，不仅考察模型的基础计算能力，更侧重于验证其在复杂逻辑推理、错误识别与数学直觉方面的极限。这套“照...
大模型多模态实测：DeepSeek在象棋OCR识别中“翻车”，Gemini完胜
一项针对中国象棋场景的OCR对比测试显示，多模态大模型在特定领域的表现参差不齐。测试要求模型识别棋盘截图并转换为标准UCCI/FEN格式。结果显示，Google Gemini是唯一完全正确的模型；GPT系列出现了部分颜色识别错误；而近期备受...
开发者实测：DeepSeek 凭借极致性价比与强悍推理能力挑战 Claude 与 GPT
科技社区近期热议 DeepSeek (DS) 的表现，有开发者发帖称其实际体验已媲美 Claude Opus 4.6/4.7。用户指出，DeepSeek 在逆向工程等复杂任务中表现出色，推理能力极强且指令遵循度高，甚至在“道德限制”方面比国...
中山大学与阿里联合实测：AI编程“零回归率”普遍低于25%，Claude仅勉强及格
中山大学与阿里巴巴集团联合进行了一项大规模AI代码生成能力测试。研究团队从GitHub选取了100个真实Python项目样本，针对20个主流大模型进行了评估，消耗超过100亿token。测试核心关注“零回归率”（即修改代码时不破坏原有功能的...
开发者实测翻车：国产大模型 MiniMax M2.7 被指代码能力弱、指令遵循差
近期，一位开发者对国产大模型 MiniMax M2.7 发出强烈批评，指出其在实际编程和 Agent 开发场景中表现极差。该开发者通过具体案例展示了模型严重忽略系统提示词约束，甚至在基础文件操作指令中出现低级错误，相比之下同场景下的 Cla...
Qwen 3.6 Plus 实测表现：手写识别能力碾压 GPT，但 AI 为什么总爱“加戏”？
近日，一项针对主流大模型手写文字提取能力的对比测试引发关注。测试对比了 Qwen 3.6 Plus、GPT、Llama 3.1 及豆包专家等多款模型。结果显示，Qwen 在识别潦草手稿时表现优异，不仅准确提取了内容，甚至自主添加了正确的概念...