如何从互联网评测推断大模型的真实能力？

评估大模型真实能力需避开易被刷分的官方跑分，转而参考贴近实际工作场景的第三方评测。代码与交互场景可参考评估 PR 可合并性的 FrontierCode、侧重模糊意图理解的 cursorbench 以及 nao 榜。选型还应结合 TPS 输出速度并合理选择思考等级，多数模型的甜点档位为 Medium 或 High，过度思考反而会推高成本并降低交付可用性。