最真实的大模型评测基准有哪些？

一名 LocalLLaMA 用户认为，AA 等 benchmark 难以反映模型的真实能力，一些在编程 benchmark 中接近前沿的模型实际只适合写诗。发帖者征集更真实的 benchmark，涵盖编程、智能体研究与办公场景。