我做了两个测试，都是实际应用场景。 
第一个测试是让它更新Python Workout中的过时的代码，替换为Python 3.12版本的代码，并生成最终的EPUB电子书。过程中反复偷懒、曲解用户需求。导致大量返工，最后消耗了大量token，得出的结果不尽如人意。 
第二个测试是我给他一些Python知识点的Anki卡片，让他校对其中有没有知识性错误。这哥们直接生造了一个Python语法，并言之凿凿地说一张正常的卡片有知识性错误。被打脸之后，秒道歉。 
我觉得这两个任务难度不高，复杂度稍微有一点。但也不是很高。但是模型最后的表现让我感到非常失望。阿里还是那个阿里。 
附图一张 
 [image]