[NS : Paimic] 不同语言模型的边界在哪？

我时常想到这个问题，不同量级的模型（比如Gemini的flash和pro、开不开思考，思考预算，chatgpt的nano和large，不同的juice值等等）他们的边界在哪里？当下许多机构通过各种测试给LLM评分，可是相信深度用过LLM的人都知道，那些评分不可信。（我可以明确的说，至少宣称评分更高的Gemini3.