质疑通用LLM测试提示

作者批评新模型评测常用泛化短提示，呼吁用复杂真实任务检验能力。

推荐理由：问题切中当前模型评测失真：短提示和易自动评分任务低估了需求理解、长程执行与约束遵循，真实工作流评测才更能暴露差异。