Ask HN：大语言模型到底在哪些任务上会失败？

Hacker News 用户发帖探讨大语言模型的失败场景，指出 Artificial Analysis 等前沿 AI 评测基准通常只给出任务得分，却未展示具体在哪些任务上失败。发帖者表示希望了解更聚焦于 SWE 领域的失败案例及相关评测基准。