AI 文本／哲学对话能力测评

这不是一份标准化的 benchmark。作为哲学研究者，我经常将自己撰写的材料与各主要模型对话，保持相同的材料和大致相同的提示进行横向对比。 这也许是一个小众的测试场景——我不清楚模型开发者是否有针对性的训练，还是通用性能会自然体现在哲学对话与复杂文本处理之中。据我所知，目前只有 Claude 有专门的哲学家对话。

我相信 AI 的哲学对话能力是其最重要的能力之一。这里的评分来自我的实际对话和判断标准，而非固定题库。 这需要一些特别的技艺：模型开发者也许更擅长工程评估，而我更擅长从用户的角度衡量模型的思维能力。

分数是稀疏的——某个模型在某维度上「待测」，意味着我还没有在足够多的场景里检验它，而不是它表现平庸。我不会为了把图填满而敷衍打分。