美團發佈Meeseeks評測基準！o3-mini霸榜，DeepSeek-R1意外墊底引發熱議

美團M17團隊推出Meeseeks評測基準，旨在評估大型語言模型如OpenAI、Claude3.5Sonnet等的指令遵循能力，解決模型輸出內容雖好但未滿足具體格式或內容要求的問題。