大模型评测：benchmark 只用于淘汰差模型，好模型要在实际工作中测试

一位开发者提出，大模型 benchmark 在分数超过某个阈值后趋于饱和，更适合作为淘汰差模型的底线，而好模型应通过真实任务验证。测试分为执行与检查两条线：前者观察模型能否连续完成其他 AI 智能体制定的计划，后者衡量其发现 bug 的数量与深度，同时还需排查话多活少、逻辑漏洞和误解需求等老毛病。