一周内第二位研究人员指出 @SierraPlatform 的 Tau2 Benchs 存在巨大缺陷——理论上,如果你手动验证所有内容,Taubench 航空公司的最高分是 75,Taubench 零售的最高分是 95。 我想知道 Taubench 的作者是否对此做出回应,因为这已经成为一个相当重要的代理评估,我们可能应该再检查一下。