AI 百科词条

基准测试（Benchmark）是什么？

给 AI 模型考试的标准化试卷——分数高不代表适合你，但低于均分要警惕。

一句话说清楚

Benchmark 是一组标准化的评测题目与打分规则（如 MMLU 考知识、HumanEval 考代码、MT-Bench 考对话），用于横向比较模型能力。看榜单选模型是常见做法，但要注意：部分模型存在「应试训练」倾向，榜单分与实际体验可能脱节。

选模型/工具时，Benchmark 分数当参考线而非决策依据：看与你使用场景对应的专项评测（写代码看代码榜，做翻译看翻译评测），最好拿自己的真实任务各测一轮——十分钟实测胜过看一天榜单。

警惕只晒高分不提版本的宣传：同一模型不同版本分数差异巨大，确认榜单分数对应你实际能用到的那一版。

AI 编程：从行间补全到整仓生成

选型看两点：与现有 IDE/语言栈的贴合度，以及「能读懂多大上下文」。

AI 读论文：速读、问答到文献综述

先让 AI 产出结构化摘要（问题/方法/结论），再针对公式与实验细节追问，支持引用溯源的工具可信度更高。

AI 做旅行攻略：行程、预算、避坑一次排好

说清天数、预算、偏好，AI 出逐日行程表，你只负责按真实交通与评价微调。