回文诗是一种独特的诗歌体裁，反复皆可成章。此《回文类聚》由宋代桑世昌撰，清代朱象贤续编。全书分作原编四卷（辑自汉至唐宋回文诗）、另编图一卷（包括一幅苏若兰像与八幅故事版画）、续编十卷（诸家诗图、璇玑碎锦图、各体诗词赋和题识）。此为清康熙时期刊本。介绍下载：

把Athens译成「雅典」的译者真是天才 典雅本就有上古典籍的意思，又衍生出美好气质 音译兼意译，连字序都是回文式的和谐 一念出来，就是地中海的碧空、神庙的立柱 和橄榄树下辩论的智者

日本遊客在英國旅遊，靠近英國皇家網紅馬拍照被罵：「滾回自己（日本）國家去」 有網友留言稱她聽不懂英國，所以不需要粗魯。 英國皇衛兵回文稱：「警衛隊不是招待遊客的」 日本人在國外旅遊也體會到被罵的感覺了嗎？

最近在研究Agent，顺带看了看 LLM 评测跑分的逻辑。 通常基础跑分靠的是 Benchmark，顶级模型靠的是 HLE（Humanity's Last Exam） 人类终极测试。 Benchmark本质就是一套标准化题库，给所有模型做同一套题，横向对比分数；而 HLE 是一个更高级的题库，里面所有的题目都无法在互联网上直接搜索出答案，必须经过推理。 类似高考是衡量学生水平的应试标准，benchmark 是衡量 AI 能力的标准，给AI一个标准的、有明确答案的题库。 几个比较经典的 benchmark： MMLU（大规模多任务语言理解），包含了 57 个学科的选择题，覆盖数学、历史、法律、医学…… 典型题目： - 以下哪种维生素缺乏会导致夜盲症？A. 维生素A B. 维生素B C. 维生素C D. 维生素D - 《联合国宪章》第51条规定的是什么权利？ GSM8K（小学数学），8500 道小学数学应用题，测模型的多步推理能力。 典型题目： - 小明有 12 个苹果，给了小红 3 个，又买了 5 个，现在有几个？ HumanEval（代码能力），164 道编程题，给函数签名和描述，让模型写出实现。 典型题目： - 写一个函数，判断一个字符串是否是回文 这些 benchmark 曾经很有用。 但现在的问题是：从GPT-4开始，顶级模型已经把 benchmark 全都刷穿了。 MMLU 上 GPT-4 能到 86%，GSM8K 上 o1 能到 97%，HumanEval 早就被各大模型接近满分。 一旦分数全部逼近天花板，benchmark 就失去了区分度，你无法用它区分哪个模型更聪明。 于是就有了 HLE（Humanity's Last Exam），号称"人类最后的考试"。 3000 道题，由全球顶尖学者提交，全是那种在互联网上直接搜不到答案的题。 几个真实例子： - 生物：蜂鸟的籽骨支撑几对肌腱？（只答数字） - 语言学：把一段罗马墓碑铭文翻译成帕尔米拉阿拉米语（结合图片） - 数学：证明对所有整数 n ≥ 5，n² < 2ⁿ - 量子物理：根据手绘量子电路图推导出对应的酉变换矩阵 - 历史：根据残缺的敦煌文书，推断某位唐代地方官员的行政管辖范围 这些题难在必须真正推理出来，而不能从训练数据里提取记忆。 各模型 HLE 得分： Grok 4 Heavy：44.4% Claude 4 opus：~24.9% GPT-4o：~10% o3：~18% 人类专家：~34% 是的，人类专家做这套题也只有三成的得分。