玩海龟汤、弹钢琴、怼亲戚，大语言模型不想干的我们都测了一遍

比起各种大模型BenchMark，不如来比比生活中真正会遇到的离谱问题。最近测试了多个新发布的大语言模型，通过一些趣味活动如海龟汤推理游戏、钢琴演奏和回应亲戚的视频观点，来评测这些模型的推理和应用能力。