自从 AA 榜被 Astra 肘击以后，对于用什么指标来评价大模型的综合能力，已经没有特别统一的共识了。最近刷到这么一个网站： 大致的意思是：先通过几个问题了解你觉得哪个模型好，然后根据你提供的喜好，反向推算出综合评分中各个小项的权重，以此作为一个benchmark。 我很久以前也认为，模型的好坏是千人千面的，不同人重视的模型特性各有差异。没想到有人直接做成了调查问卷+根据问卷重新计算权重的模式。 比如根据我的问答，算出来的权重大概是这样的： 说不定也可以有助于发现更加符合自己的评测小项。…