大模型评测应该看哪些指标
优先看Terminal-Bench3.0/4.0、DeepSWEv1.1、NL2Repo-Bench、Agents’LastExam这几项，因为它们最贴近真实编码/Agent工程场景；GPQA、HLE这类纯知识题参考价值较低。应该重点看的Terminal-Bench3.0/4.0-测的是模型在真实终端环境里完成多步骤任务的能力（装环境、调命令、debug）-版本号越新代表任务越难、越贴近真实运维/…
优先看Terminal-Bench3.0/4.0、DeepSWEv1.1、NL2Repo-Bench、Agents’LastExam这几项，因为它们最贴近真实编码/Agent工程场景；GPQA、HLE这类纯知识题参考价值较低。应该重点看的Terminal-Bench3.0/4.0-测的是模型在真实终端环境里完成多步骤任务的能力（装环境、调命令、debug）-版本号越新代表任务越难、越贴近真实运维/…