在MMLU测评中，deepseek r1取得了90.8分，略低于OpenAI o1的91.8，高于Doubao-1.5 Pro的88.6。很多人或许会疑惑：MMLU这类测试的高低，对普通用户的使用体验真的有影响吗？事实上，MMLU的设计初衷就是为了公平且客观地衡量大型语言模型（LLM）的基础能力，而在高分区间每提升一分，都意味着巨大的技术突破与投入。

当下，各家厂商都在竞争LLM的应用，但如果模型的基础能力不足，再多的应用也只能算“在泥土上雕花”，难以取得实质性的突破。反之，若模型基础能力强，不仅在通用场景中表现优异，也更能适配各种定制化应用。由此可见，MMLU的高分往往意味着更强大的底层能力，而基础能力强的LLM，在日常使用中也会带来更好的体验和效果。

jethro (jethro) 在 ta 的帖子中提到：

说豆包够用的应该和十年前吹手机性能过剩的是同一批人