已收录文章摘要，完整内容可前往原文阅读。
2023 年，GPT-4 刚发布时，真格发布测试集 Z-Bench，用 300 个问题全方位考察大语言模型的能力。 三年过去，模型的能力强了很多，使用场景也越来越细。公开榜单能告诉你每个模型不同维度的分数，但谁更会剪视频、修复Bug、整理发票、规划旅行？ 我们相信 Bench 正在大众化，每个重度使用 Agent 的人，都有定义模型能力的权利。 这次，真格将与葬 AI 一起在北京举办第一届「懂模帝 Bench 黑客松」。 本次活动分为两条赛道： 1、有用赛道：用工作和生...