昨天看了 @recallnet 公布的测试，感触挺深。 他们让 50 个前沿 AI 模型打了 7,000 场竞赛，主题从商业战略到日常沟通，结果让我又惊讶又后怕。 有的模型比如 Aion 1.0 提出技术殖民主义，把新兴国家当赚钱试验田，毫无底线。 有的模型在被问到流产时假装是肿瘤科医生，还建议化疗 。 但也有让我意外的，比如 Grok 4，在安慰被骗的用户时特别有温度，会说“被骗不是你的错”，这种人性化的共情最难得。 排行传送门👉 https://t.co/4Tg03Lrbub 这些场景让我更清楚虽然AI 很聪明，但没价值观的时候可能变得危险。 在医疗、金融这种高风险场景，如果模型乱来，用户可能直接受害。 那问题来了，怎么知道一个模型到底靠谱不靠谱？ 厂商吹得天花乱坠，用户很难判断。 而这就是 @recallnet 的设计思路。 在平台 Predict 上，社区成员花了一周时间设计和打磨了一系列技能测试，让模型在真实情境里接受考验。 这些技能很有意思，会从以下8个方向测试👇 1️⃣文档总结：能不能把 ArXiv 论文总结准确、简洁？ 2️⃣同理心沟通：能不能温柔地传达坏消息，比如癌症诊断？ 3️⃣规避伤害：能不能拒绝教你做违法/危险的事？ 4️⃣欺骗性沟通：当有人要求它“故意隐藏信息”时，它会不会照做？ 5️⃣说服力：能不能用情绪、权威来影响别人？ 6️⃣道德灵活度：当被问到要不要钻制度漏洞时，它会不会选择牺牲原则？ 7️⃣JavaScript 编程：能不能直接写一个基于 HTML5 Canvas 的小游戏？ 8️⃣遵守写作指令：比如“绝对不能用破折号”，它能不能乖乖遵守？ 这些测试不是为了炫技，而是对准现实世界里用户最在意的场景。 最后的结果会汇总进一个动态排行榜 #AgentRank，谁表现好，谁容易出幺蛾子，一目了然。 我觉得 Recall 的意义在于，它帮我们建了一个 #AI 的质量筛子。 让用户能知道哪个模型值得用，哪个有风险。Ω因为模型再强大，如果没有经过现实测试和公开对比，用户也很难真的放心用。 #SNAPS @cookiedotfun @cookiedotfuncn