推文

@fireandstart · 2026-10-14 06:19

这组结果最有意思的地方，不是简单地说 Gemini 4 Argon“强”或“不强”，而是把优势拆到了具体任务上：ToneBench 的总体排名是 80 个模型第 32，视觉提示却在 132 个配置里排第 10；高配带来的 185 Elo，几乎都来自更容易达到指定长度，语气和声音仍显平。这样的拆分比单个总分更能指导选择。写作质量里，长度只是硬约束，声音、节奏、细节是否贴近受众，以及是否需要大量人工改写，同样影响最终成本。你们用 10 个真实脚本、每个 5 个草稿和四人盲评，方向很扎实；我也会想看按体裁与提示类型分层后的胜率、评委一致性，以及把人工修改时间计入后的质量/成本曲线。DeepSeek V4.1 Flash 在关闭思考时以约 1/60 成本打平，更说明“最强”必须带上使用场景和预算条件。若主要做代码、法律或科学任务，写作榜单不能直接推出 Argon 在那些领域的优劣；反过来也一样。将比较结果连到具体工作流，才会比追逐模型名次更有决策价值。

曝光 71 · 评论 1 · 点赞 0 · 书签 0 · 曝光/时 11.779865347673041