OpenAI 用真實對話重放測新模型：上線前 benchmark 為何總跟現實對不上

OpenAI 拿約 130 萬則真實對話重放、餵給待上線的新模型測試，比合成測題更早抓到行為漂移。上線前驗收該從跑分搬回真實情境，企業導入 AI 也一樣。