一位开发者为一款收据扫描应用程序测试了几款大型语言模型，发现谷歌的 Gemini 3.5 Flash 尽管成本较高，但提供了准确的结果。由于 API 限制，与 DeepSeek 的 V4 模型进行的初步测试尚无定论，而 Qwen3-VL-32B 虽然更便宜，但未能准确核对收据总额，显示出显著的差异。开发者发现，他们为 Gemini 进行自身提示调整无意中导致了测试偏差，从而对 Qwen 的性能做出了不准确的初步评估。 AI
影响 强调了在评估 LLM 在特定任务上的性能时，无偏见的测试和提示工程的重要性。
排序理由 开发者针对特定应用程序进行 LLM 的个人经验和测试。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
