把deepseek r1的思维过程复制粘贴给chaude，一个简单的deep+claude就能得到现在超过所有大模型的结果。
关键是后面这个必须是claude，你用别的大模型来接都没用。说明claude的强是真正的强，并不是刷题的强（不如说它刷题一点也不强），专业一点的说法这叫泛化能力强。

我对bench一直是很有意见的，ai届一天其他行业一年，对一个如此光速发展的行业，用的居然还是好几年前的benchmark，简直就是搞笑。目标决定方向，bench就是树立目标的作用，是很重要的。
但比如bigbench，这货已经是4年前的东西了，随便点开里面的测试集看看，无非就是各种常识问答和判断，感觉就像是小学生题目一样。当然我不排除它可能有复杂的案例，但就我随机点开的来说我认为大部分都是小学生级别的题目。本质上就是microbench。

拿一堆小学生题目去考大学生，其结果无非是没区分度变成送分，或者就是不关心小学生级的细节丢分变成反向指标。前几年大家都在用全人类的文本往llm里面塞，那个时候这种测试是合理的。但现在大家都意识到数据质量的重要性，开始想方设法不要让llm浪费权重去死记硬背些无聊的知识了。结果回头卷的还是这些测试，就很蠢。（当然各个llm研发也都有自己的内部测试基准，但发布的bench也大都离不开这些）

这也是我对现在的各种榜单不是很感冒的原因。包括那个lmsys，虽然它是人类盲测的结果，但人类也会倾向于一个给出了很好的情绪价值却没解决问题的回答。所以lmsys自己也不得不整了一个style control的修正，否则那个Unbiased的结果经常是很奇怪的，不太好解释。

总之在我看来，能否在开放世界解决足够复杂的问题，是衡量llm能力的唯一标准，其他的都是扯蛋。这方面claude一直是做的最令我最满意的，没有之一。

至于犯错误，说实话，现在的llm训练方向和以前已经不太一样了。以前你可以说llm是在训练一个做题家，只会刷题没有自己的理解。现在llm的训练越来越注重能力的本质，对于基本知识的考核反而在削弱。举个极端一点的比喻，更像是培养一个没学过啥东西的聪明人。然后通过prompt engineering把需要它解决的知识注入进去。所以你所谓的对某个东西的误解，其实是很容易消除的。你看到的纠正效果不好，仅仅是prompt engineering层面的问题。包括COT，本质上也只是一种prompt engineering而已。这也是为啥deep+claude能获得如此好的效果的原因。

虽然大家都在说预训练模型时代过去了，但在我看来真正关键的，还是那个预训练模型

【 在 eematlab 的大作中提到: 】
: 不管benchmark怎么样， 用下来cursor+claude是实用效果最好的。
: 总觉得claude的语料是用了特殊处理，对于从需求到代码有特别的效果。
: Deepseek R1也不错，看到它的思考过程，就能明白它可能在什么地方理解有误或无误。
: ...................
--
修改:lvsoft FROM 222.68.51.*
FROM 222.68.51.*