LLM 失败任务讨论

Hacker News 用户发帖提问，前沿 AI 模型在 Artificial Analysis 等榜单上的评测指标只展示通过率，却很少揭示模型具体在哪些任务上失败。发帖者尤其关注软件工程（SWE）方向的失败基准，希望看到更细粒度的能力短板分析。