评测模型不必从大规模基准测试开始。Google Gemini 产品负责人 Tulsee Doshi 在 Lenny's Podcast 节目中给出建议:先用 5 个提示词起步,攒到 20 个左右就能看出模型之间的差异信号;然后自己当评审,攒一组好例子,弄清自己心中「好」的标准,再考虑规模化。至于培养手感,没有标准答案,有人试 3D 动画,有人试写作,有人试金融分析,关键是找到那些模型已经露出苗头、但按你的标准还不够完美的任务,那里最容易看出差异。来源:Lenny's Podcast,https://www.youtube.com/watch?v=qGf2Yvan4Wg
