给你的 AI 一次面试：如何通过“氛围”评估其能力

本文通过模拟“面试”方式测试多个 AI 模型在不同任务中的表现，发现它们在处理特定场景时存在明显差异。Claude 4.5 Sonnet 在写作任务中表现突出，Gemini 2.5 Pro 在计数任务中出现误差，GPT-5 Thinking 风格多变但有时影响连贯性，而 Kimi K2 Thinking 也有类似问题。这种基于“氛围”的测试方式虽具主观性，但能揭示标准化基准难以捕捉的模型特性。