🔥 Search Hot Tweets

最近找了一批真实医疗数据做了个小实验， 结果有点出人意料。 Gemini 3 Pro 第一，Qwen 第二，ChatGPT 5.1 第三， 后面的，就不提了。 这批数据来自真实问诊场景： 患者的主诉是自己描述的，医生的结论是当时真实的诊断和处理。 我们让模型看诊，再跟真实医生的做法做比对。 我想说的是，有些能力真的不是 benchmark 跑得快就能看出来的。 现在很多人觉得大模型都差不多了， 但只要你拿到足够真实和模糊的世界， 差异反而是放大的。 真实世界永远是最狠的测试场。