基准测试与复杂长任务的差距

我还想指出，几乎所有基准测试都是单答案、短周期的任务，而大量具有经济价值的工作却是复杂的长周期任务。同样，两者都有存在的空间，但我认为我们会发现，"足够好"的智能可能并不总是够用。