鹈鹕测试这个到底咋看 来个大佬说一下

多看几个就知道了 https://codexradar.com/cup/#gallery

照着看

其实就几点，能不能正确执行完工作倒不是最关键的，虽说那些执行得很离谱的可以说是一目了然。

- 工作流，是否有清晰的计划，和遵循计划执行的能力

- 产物风格，是否与同模型其他的产物类似

- 判断使用的是不是后训练了这个问题的较新模型，而不是路由到没有这个问题的处理经验的降智模型