原贴链接

嘿，伙计们，我应该选择哪一个！哪一个真的很好？他们发布的所有基准测试都是真的吗？我真的很困惑。

有没有人测试过所有这些模型？请告诉我

讨论总结

本次讨论主要集中在不同AI模型（如GPT-4o mini、Llama 3.1 405 B、Mistral Large 2、Claude Sonnet 3.5）的性能比较和选择上。讨论中，用户对官方发布的基准测试结果的真实性表示怀疑，并询问是否有人测试过所有这些模型。Claude 3.5在多个基准测试中表现最佳，尤其是在编程和智能方面。此外，讨论还涉及了价格、多模态能力、用户体验和模型组合使用等方面。

主要观点

  1. 👍 Claude 3.5在多个基准测试中表现最佳
    • 支持理由：Claude 3.5在SIMPLE、EQ-Bench和LiveBench等测试中领先，且在ZebraLogic和Farel Bench中也表现出色。
    • 反对声音：有用户对官方发布的基准测试结果的真实性表示怀疑。
  2. 🔥 GPT-4o mini在格式化方面表现稍好，拒绝率较低
    • 正方观点：GPT-4o mini在格式化方面稍好，拒绝率较低。
    • 反方观点：有用户认为GPT-4o mini的表现不佳。
  3. 💡 Claude Sonnet 3.5在智能和编程能力方面更优秀
    • 解释：Claude Sonnet 3.5在智能和编程能力方面被认为更优秀，但可能因内置限制而避免某些路径、想法或主题。
  4. 👍 Llama 3.1 405B在某些服务上价格较低，但速度较慢
    • 支持理由：Llama 3.1 405B在某些服务上价格较低，但速度较慢。
    • 反对声音：有用户认为其性能略低于Claude 3.5 Sonnet。
  5. 🔥 DeepSeek V2模型性价比高，特别是编程变体
    • 正方观点：DeepSeek V2模型性价比高，特别是编程变体。
    • 反方观点：有用户指出其速度慢且可能因国籍问题不被某些公司接受。

金句与有趣评论

  1. “😂 Claude 3.5 is still the champ. #1 on SIMPLE, EQ-Bench, and LiveBench.”
    • 亮点：强调了Claude 3.5在多个基准测试中的领先地位。
  2. “🤔 I think this benchmark is more accurate”
    • 亮点：用户对基准测试的真实性表示怀疑，并提出了一个他认为更准确的基准测试链接。
  3. “👀 4o mini seems to have slighy better formatting and also has less refusals but Claude Sonnet 3.5 is way smarter, better at coding, etc.”
    • 亮点：对比了GPT-4o mini和Claude Sonnet 3.5的优劣。

情感分析

讨论的总体情感倾向较为积极，大多数用户对Claude 3.5的表现给予了高度评价。然而，也有用户对官方发布的基准测试结果的真实性表示怀疑，并寻求其他用户的实际测试反馈。主要分歧点在于不同模型的性能和价格之间的权衡。

趋势与预测

  • 新兴话题：DeepSeek Coder v2 7/24等新模型的推荐可能会引发后续讨论。
  • 潜在影响：对AI模型的性能和真实性的讨论可能会影响用户的选择和市场趋势。