在顶级模型层面，真实世界的可用性远比 AA 上 +/- 2 分的差距重要得多。一个模型需要花一段时间才能理解这一点，AA 在某种程度上是一种潜力，但有些模型能兑现，有些则不能（例如 opus 5 与 5.5）。

看起来 3.1 可能更偏向未能兑现的一侧。