个人感觉Claude不一定是最聪明的，但是是最能体会用户潜台词的模型。

豆包这一题发挥也还行。
总结太多了，大伙看个分儿就行了

前五题用处都不大，体现不出智商。
这题以前是个经典的幻觉，现在基本都修复了。
deepseek-7B和1.5B实际上不是识别不出来，是话都说不利索。

deepseekv3惨败。

然后是两个编程题。休息一会儿，一会儿回来再发。
程序这玩意儿其实不太好评价，可能模型蛮厉害的，一个疏忽出bug就运行不了了。评价标准也很难制定，待会在家看看，参考一下就行了，还是得自己上手试才能感觉出来。

下一题，贪吃蛇

效果如上

怎么讲呢，个人感觉写代码最强的还是o1和o3-mini。
别看o3-mini比r1贵，r1的思考链可费token了，价格其实差不多。
o1不太划算,太贵了，写代码用o3-mini就很合适
不够其实大家水平都不差，可以用个便宜的，比如说gpt4o-mini，然后出问题了再拿o3-mini改就挺不错。
gpt4o-mini感觉是轻量级里代码能力最好的。

第七题的详细评价。（最后一组写不出来程序，报错）

题目很长，测试模型遵循指令的能力。

评分细节很麻烦，估计你们也不想看，给你们看一组好了。
其实怎么说呢，分数看整体趋势就好了，意义不是很大。
像r1想太多写的太复杂给写崩了。
像轻量级组写的UI贼丑，一句不愿意多写，但是人家完成任务了。我只能酌情扣它卷面分

代码这块感觉，14B以及以下的别用，真的笨，其他的反正都比你强，写出Bug了再找厉害的模型改也来得及。

而且有的时候是每个模型有每个模型爱出的bug，多备几个某一个出问题了再让另一个解决就行了。两道题只能评估整体趋势，实在评价不了同一组里谁最好。

看来豆包vision的幻觉也挺强。不过，相同情况下，幻觉强其实对应的创造力也会更强。

测测grok3