目前的大语言模型还是主打一个缩小从自然语言=>计算机语言模型的 Gap 上，提效提的是你建模的时间成本。关键问题是建好的模型是否真的可执行和错误 Free，这不单单取决于大模型本身的能力，也取决于你给的 prompt 的能力。此外，目前大中型企业的内部知识还没有对接到 “通用” 语言模型的训练结果中，大模型的泛化能力最终不一定直接生成符合内部知识和需求的生产力，这种 Gap 是通用人工智能所无法解决的，你的去训练它，让他具备你的领域知识。所以总结一下，你如何使用大语言模型决定了生产力提升的高度。

你为啥要转行啊？

多谢支持，期待早日搞定

多谢支持，希望能够如愿

多谢！不过为啥要考虑转行呢？测试能做的事情非常多的，看看我上面的书目，每个方向做下去都是专家

50% 咋来的？

为啥在国企，你总有理由吧？这个是不是技术性问题

后面突然就后面 15 倍，30 倍的增加了？你这数据咋来的？

你对什么感兴趣？除了工作以外？然后伺机而动。

你这给自己挖了个大坑啊？为啥会有这样的诉求呢？

GPT4 至少就比 gpt3.5 强很多，减少了幻觉

模型评价怎么少的了 mAP 呢？这个的加上

lz 能否具体点儿，痛点在哪里？你想怎么解决？但是收益不好到底哪些？寥寥几句，没出来怎么回事儿。

现在能对标 GPT3 吗？

半年后看这篇文章，很多问题在逐步得到改善和解决，这种精华帖不知道为啥还有人在喷，我觉得挺有启发意义的。目前 AGI 每天一个新闻，多模态加持下的大模型在逐步演进，Germini1.5 已经发布，GPT5 也不远。未来将是我们测试人员努力学习 AGI 并且结合实际落地了。想想给大家剩下的时间已经不多了。

你的视频测试的方案可以作为起步的自动化方案，不错的，加油

OCR 和 NLP 很多都是通过机器学习训练过的，就算是吧。现在 AI 外延应该很大的，咱就不用纠结这个了。
不过维护成本的论述还是非常认可的，ROI 不高的，在组织内实施，肯定要找其他原因了。毕竟技术宅有时不用太考虑工程上的东西

模板匹配不支持自动 scale，你这个的先 resize 到同个分辨率上进行，然后在 zoom

测试这些电流电压的目的是为了分析问题还是？搞清楚这些你可以上一个台阶的。

模板匹配不支持 scale 的。你试着把所有的图都缩小到最低一档，先做标准化图片，然后截取模板，最为匹配依据。当然机器学习的目标检测是你的终极方案。

这是想从需求一揽子生成测试报告的节奏呀。痛点的分段解决，这个最多算个方向了。

产品研发都是进度，资源，和质量之间的博弈。测试作为质量保证的一种手段，你是受到制约的。你就是其中一员，还存在合不合理的问题么？提高自己的核心竞争力，在测试的环节展现自己的才能，才是最合理的。

干的好好的，为啥要裸辞呀？

你最好搞个 root 的手机，然后用高优先级的程序 malloc 内存，否则你的程序很有可能会被 LMK 给干掉

不能同意更多，两手抓两手都要硬