评测基准

用一套固定题目和标准判分给模型打分，榜单上的名次和各家的宣传口径都是由它算出来的。

新品发布、选购决策、课程里的能力介绍都靠它传话。不懂基准，就会把「某一项第一」直接当成「什么场景都最强」，这是被营销话术带偏最常见的方式。

像体检报告里的单项化验：某项指标排在前面，说明这一项状况好，但不能据此判断整个人健康。

看到某个模型在某张榜单上领先，先去查这套题考的是什么、题目有多少、能不能公开复现，再对照手上的活儿属于哪一类：如果只是改写班级通知，代码榜的名次和你没什么关系。

• 误解：榜单第一就是全面最强。 事实：基准只覆盖有限的题型和领域，长文本、多模态或中文场景的表现常与总分排名不一致。

• 误解：分数高就一定能照搬到自己的活儿上。 事实：测试题和你的实际材料往往差得很远，换一类任务表现可能明显变化。

• 误解：小数点后一位的领先也有意义。 事实：不同基准的样本量、判分方式和更新频率都不同，差距很小时通常说明不了问题。

• 误解：只看官方公布的那个数字就够了。 事实：还要看有没有第三方复现、题目是否公开、评测方与厂商之间有没有利益关系。

• 大模型用海量文本训练出的巨型神经网络，靠「看着上文预测下一个词」生成连贯自然的文字。
• 多模态模型同时接收文字、图片、音频等不同形式的信息，并用同一套系统理解和产出这些内容的能力形态。
• 开源与闭源闭源指权重不公开、只能走官方服务；开源指权重可下载，可本地部署或微调，按许可证约定使用。
• 温度控制输出随机性的参数：越低越保守稳定，越高越发散有创意，但出错概率也随之上升。