同一个食谱 App，Grok 第一眼最好看，Peter 为什么还是把设计奖给 Claude
比较 AI 产品时，同一条提示为什么仍可能得出不公平的排行榜？
任务评估
28 篇文章
全部文章
用 Claude Code 做 AI 评测的五步：先让人说清楚哪里不对
AI 输出总要人工重改，评测规则却越加越多，怎样找出真正影响质量的失败？
两个模型都做出了漂亮网站，也都在往下滚时出错：选 AI 主力别只看谁赢了
选日常 AI 主力时，六项实测的胜负够不够？
单元测试全部通过，Fable 还是找出十多个大问题：什么时候值得用高成本模型
昂贵模型应该用在工作流的哪里？