文章建议通过分析用户与AI模型的真实对话数据来构建评估标准，而非依赖通用学术基准测试。随着模型能力提升，评估方法需持续优化以提供有效信号。
作者提出一种改进AI模型评估的方法：通过阅读用户与模型的真实对话记录来培养产品直觉，并利用Claude模型将用户反馈归纳为核心主题。文章批评了依赖静态学术基准的“评估戏剧”做法。
该建议对AI模型开发具有实践指导意义，指出传统评估方法可能因模型进步而失效，强调动态、基于真实用户交互的评估体系才能持续提供有效反馈。
当前AI行业普遍使用标准化基准测试评估模型性能，但这类测试往往与真实应用场景脱节。随着模型在基础能力上超越人类，如何设计更贴近实际需求的评估方式成为重要课题。