LLM benchmark1 篇实战文章

先说结论：这份 benchmark 测的根本不是模型有多聪明，是工具 schema 有多蠢。拿它照一照，照出来的不是模型智商，是接口设计的原形。 同一个任务，同一批模型，同一批 330 个 ID。工具直接返回计数，全体答对！工具返回原始行、让模型自己数，10 个模型里 5 个在 21 道题里答对不超过 10 道。