getting an LLM to give you a good benchmark score is fairly easy
EP.99 故事线C: 好的 benchmark 分数很容易得到，好的真实性能很难得到——这个分离正在系统性地污染 AI 能力的公开叙事。Kimi K3 在 benchmark 上接近 GPT-5.6，但实际使用中差距显著，正是这种现象的体现。
3 Matching Annotations
- Last 7 days
-
danluu.com danluu.com
Tags
Annotators
URL
-
- May 2026
-
huggingface.co huggingface.co
-
Experiments across six game environments show that COSPLAY with an 8B base model achieves over 25.1 percent average reward improvement against four frontier LLM baselines on single player game benchmarks while remaining competitive on multi player social reasoning games.
在六个游戏环境中进行的实验表明，COSPLAY框架在单人游戏基准测试中，与四个前沿的LLM基线相比，平均奖励提高了25.1%，同时在多人社交推理游戏中也保持了竞争力。
Tags
Annotators
URL
-
- Dec 2022
-
www.zhihu.com www.zhihu.com
-
为什么Java的Hashmap比Python的dictionary慢得多？
Tags
Annotators
URL
-