已收录文章摘要，完整内容可前往原文阅读。
导语背叛一个AI助手通过了标准化测试，并不意味着它能服务好真实用户。新手可能需要逐步解释，专家更在意效率，有人会在模型第一次出错后离开，也有人愿意继续尝试。传统离线基准通常把这些差异压缩成单一平均分，