六个 LLM 在 387 道真实建筑问题上的检索增强对比评测

文章介绍一项基准测试：使用 387 道来自公司自有系统、每道有单一可验证答案的建筑问题，覆盖规格（风、雪、地基）、时间线、规则（许可、工程、融资、公司政策）、产品与安装流程等 13 个类别，对比 Claude Opus 5.5、DeepSeek V4 Flash、Llama 4 Maverick、GPT-6.1 Sol、Mistral Large 3 和 Gemini 2.5 Flash 六个模型在有检索和无检索条件下的表现，并讨论对企业私有数据构建 RAG 系统的启示。

AI推荐理由 文章给出一个具体基准：387 道来自公司内部系统的可验证建筑问题、13 个类别、6 个模型，并对比有无检索增强的效果，对构建企业 RAG 系统有参考价值；但摘要未给出具体分数结果，且模型名称和版本需读者自行核实。