Hamel Husain 调侃「评测工业复合体」：刷分则评测死，不刷则评测废

Hamel Husain 借 Anthropic 模型在 Harvey 法律基准上低于其他模型的讨论，调侃模型评测存在「评测工业复合体」的两难：不吸引大家在 benchmark 上刷分，评测会被认为一文不值；吸引大家刷分后，评测又可能失去统计价值。这一观点指出，benchmark 的传播价值与诊断价值存在结构性冲突。