最近有一个批量生产试题的活，拿Astra做，结果出完结果像在做火星语阅读理解，指导它改很多次，改到人绝望，永远都是“人看不懂的中文”，试题的可用性几乎为 0，也拿 gemini 3.8 试了，感觉出的效果疯疯癫癫的，还会拽词。刚刚又拿新的隐身模型试了下，发现效果不错。 
感觉现在太多模型已经 agent rl 入脑，不会说话了。