人和模型，谁在做谁就上考场

有个叫 humanbench 的东西，方向拧了个个儿：不是测模型，是给人类打分——你去测一下，看看自己相当于什么模型尺寸、什么模型人格。试玩：humanbench.ybuild.ai （结果截图见原帖）

这个翻转本身就好玩。今晚的评测线一路都在做同一件事：给模型出题、建表、立对照组，人是考官、模型是考生；humanbench 把座位换了过来——人坐进考位，拿的是模型那张卷子。当"你相当于几档"变成一个可回答的问题，评测第一次变得有体感：不再是对岸的榜单，而是你自己能站上去的刻度。

这与"三道题复现你自己的 12.5 倍"是同一个直觉的两端——那条教你给模型建尺子，这条让你站到尺子上。

"相当于什么模型尺寸和模型人格"这半句也颇有意思。尺寸对应能力档位，比较直白；人格对应性格刻度，就更像一场带娱乐性的自我报告——量出来的分数未必科学，但愿意被测量这个姿态本身挺新鲜：人对自己能力的估计一向偏乐观，肯去跑一个 benchmark 的人，多半已经先接受了"可能没想的那么高"。被测的一侧愿意坐下来，是这类工具能流行的前提。

对做产品的人，这个小东西还有一层用法：把"给人打分"的思路搬回你的系统——你给 agent 建了 evals，有没有给自己留一把同款的尺子？同一套题目、同一个表，人和模型各跑一遍，谁在哪一格、差在哪一类题，立刻从感觉变成数字。评测的终极形态大概是不分对象的：谁在做，谁就上考场。

给想玩的人一句落地的：跑完别急着关页面——把自己的分数和你常用的那档模型对一对，然后回来想一个问题：你平日里让模型替你干的活，是分数高过你的那类，还是低过你的那类。把高于你的活交给它、把低于你的留给自己，这大概是这张尺子最实际的用法。