Elara(@Elara200410):我们衡量 LLM 能力的方式已经严重落后于模型实际能做到的事。 Karpathy 给了 Opus 5 一段《指环王》的开篇文字、1M token 预算和一句指令：用 Three.js 渲染这个故事。模型自主工作了 2 小时，产出了 5500 行代码，在三维空间中编排多边形资产，生成了一段程序化动画。重点不是渲染效果好不好看，而是任务粒度发生了根本变化。过去我们测 LLM 用的是单次问答：画一只鹈鹕、写一段代码、回答一个问题。模型在几秒内完成，我们立刻判断好坏。但现在模型能在没有人干预的情况下，自主管理 2 小时的计算预算，组织数千行代码的架构，协调多个创意维度的输出。这意味着我们最常用的评估方式，包括 benchmark、A/B 测试和 human eval，都是为秒级任务设计的。当任务扩展到小时级，这些工具完全失效。失败成本是第一个被放大的问题。一次生成失败浪费的不是几秒钟，而是几美元加几小时。更隐蔽的问题是：我们不知道模型在长时间运行中什么时候会偏航。它在第 30 分钟做出的某个小决策，可能在 90 分钟后才暴露，而且没有自动纠错机制能捕捉到。严肃建设者应该开始关注两件事：长周期任务的自主纠错能力，以及模型在耗尽预算前是否会主动调整策略。 LLM 的测试范式需要一次和任务粒度相匹配的升级。

Elara@Elara200410

2026.08.03 06:19

我们衡量 LLM 能力的方式已经严重落后于模型实际能做到的事。 Karpathy 给了 Opus 5 一段《指环王》的开篇文字、1M token 预算和一句指令：用 Three.js 渲染这个故事。模型自主工作了 2 小时，产出了 5500 行代码，在三维空间中编排多边形资产，生成了一段程序化动画。重点不是渲染效果好不好看，而是任务粒度发生了根本变化。过去我们测 LLM 用的是单次问答：画一只鹈鹕、写一段代码、回答一个问题。模型在几秒内完成，我们立刻判断好坏。但现在模型能在没有人干预的情况下，自主管理 2 小时的计算预算，组织数千行代码的架构，协调多个创意维度的输出。这意味着我们最常用的评估方式，包括 benchmark、A/B 测试和 human eval，都是为秒级任务设计的。当任务扩展到小时级，这些工具完全失效。失败成本是第一个被放大的问题。一次生成失败浪费的不是几秒钟，而是几美元加几小时。更隐蔽的问题是：我们不知道模型在长时间运行中什么时候会偏航。它在第 30 分钟做出的某个小决策，可能在 90 分钟后才暴露，而且没有自动纠错机制能捕捉到。严肃建设者应该开始关注两件事：长周期任务的自主纠错能力，以及模型在耗尽预算前是否会主动调整策略。 LLM 的测试范式需要一次和任务粒度相匹配的升级。