同一个医学问题问了四家AI,没有一家能全信
「大肠癌会不会引发帕金森」这个问题,加上「要 DOI」的约束后,我先后问了四家 AI。第一轮核对时,豆包的 DOI 全对,表现最漂亮;等到第二轮核对调出 PubMed 摘要做比对,才发现它把因果方向说反了。
「大肠癌会不会引发帕金森」这个问题,加上「要 DOI」的约束后,我先后问了四家 AI。第一轮核对时,豆包的 DOI 全对,表现最漂亮;等到第二轮核对调出 PubMed 摘要做比对,才发现它把因果方向说反了。
实测 DeepSeek 新开放的 Fetch:它无法通过 Cloudflare 这类反爬机制,遇到海外慢脚本还会被拖到超时,却能用十几秒完整抓下微信公众号长短链;和 Jina Reader 各有偏科、正好互补。
为了给公众号连载的电子书换一套封面风格,我拿 Claude Opus 5.5 试了 SVG,第一遍直出的 900×383 双封面就相当不错,还能替换章节号和标题批量生成。代码能力强,真是可以为所欲为。
当年我用 OLS 跑出越界的概率预测,如今 Jev 砍掉自回归、只做分类判断,300 毫秒给出经过校准的置信度。大模型在交易系统里的价值,不是长篇推理,而是把新闻公告变成能扣动扳机的信号。
在海明威写作基准上,Gemini 的 Flash 小模型占了前十的六席,而 EQ-Bench 拿高分的 Claude Opus 5 只排到并列第十。写得最好的,往往不是最想证明自己无所不知的模型,而是懂得何时停笔的那个。
GLM 5.3 Flash 发布后,我用官方和第三方 API 各测十多次,中文里一次英文双引号都没出现。这个从 Claude 蔓延到众多国产模型的怪癖,智谱终于走了回来。
同一套朴素提示词下,Ox Alpha 把财联社一篇稿子做成的一图流让我惊喜,完成度不输 Grok 4.6。悬念是它出自哪家、发布后价格如何。
我只改一句提示词,文章是我写的还是讨厌的同事写的,就让 17 款模型各打 90 次分。结果说话最直的 Grok 最谄媚,GLM-5.3 几乎不受影响;求安慰时可以用,核验事实时得换一面更敢说真话的镜子。
用同一套提示词让七款模型给文章画 SVG 插图,Deepseek V4 Flash 一分半、四分钱出图,Grok 4.5 效果最好,单张约 0.4 元。跟踪了一年多,国产模型这次终于进入完全能用的区间。
同一个 GLM 5.2,OpenRouter 上近 30 家供应商的延迟、工具调用错误率和测试得分各不相同。模型决定能力上限,但怎么部署、调度和提供工具,才决定我们实际摸到哪一段。