在想大型语言模型在我2014年提出的理解挑战上表现如何？来自该测试的一个更简单版本（书面而不是视觉）的新结果：“没有哪一个开放权重模型的表现超过随机概率（尽管它们在合成基准测试上表现出色）”https://arxiv.org/pdf/2406.16264
