实测与榜单严重不符，AA 指数公信力遭社区质疑
Reddit 用户对 Muse Spark 1.3 的多轮实测结果与其在 Artificial Analysis Index（AA 指数）上的高分严重不符，引发对该榜单能否反映真实模型表现的集中质疑，多位从业者表示已不再相信 AA 指数。
已确认
- 用户 PerformanceRound7913 实测 Muse Spark 1.3 后发现，其表现明显不及 Opus 和 SOL 等模型，与 AA 榜单排名相去甚远，据此质疑该指数无法代表真实世界使用体验，且容易被针对性刷分；该发帖在社区引发对第三方评测指数的集中讨论。
- 用户 SwimmingGain4989 通过 OpenRouter 和 Opencode Zen 两个渠道测试 Muse Spark 1.3，并尝试更换 system prompt、脱离 harness 等多种方式，结果都很差，怀疑该模型为基准测试过度优化（beat the benchmark 而非真实能力强）。
- 从业者 HarveenChadha 发帖提醒评测分数不等于用户体验，称当 Opus 5 在 AA 指数上得分超过 Fable 5 那天起，他就不再相信 AA 指数；DrDattaAIIMS 转述了类似观点，并提到眼看着 Muse Spark 1.3 能打赢榜单上的对手而实际并非如此。
为什么重要
- 事件反映了第三方聚合评测指数与真实使用体验之间日益严重的脱节，用户在选型时若只看榜单可能被误导。
- 多渠道、多 prompt 的独立实测是对抗基准刷分的重要手段，此类用户级验证正在成为社区评估模型的常规动作。
- 若刷榜现象持续，AA 等指数的公信力可能进一步受损，或推动更贴近真实任务的评测方式出现。
2026-09-05 ~ 2026-09-05 · 5 条相关
一手来源
- 用户实测质疑 Artificial Analysis 榜单无法反映真实模型表现 — PerformanceRound7913 ·
- 用户实测指 Muse Spark 1.3 疑似刷榜:实际表现远逊基准分 — Swimming_Gain_4989 ·
- 从业者吐槽:AA 等模型评测指数与真实体验脱节日益严重 — HarveenChadha ·
- 【源头】用户实测指 Muse Spark 1.3 疑似刷榜:实际表现远逊基准分 — Swimming_Gain_4989 · 2026-09-05
- 【源头】用户实测质疑 Artificial Analysis 榜单无法反映真实模型表现 — PerformanceRound7913 · 2026-09-05
- 【源头】从业者吐槽:AA 等模型评测指数与真实体验脱节日益严重 — HarveenChadha · 2026-09-05
- 医生吐槽：评测榜单与真实使用体验脱节，已不再相信 AA 指数 — DrDatta_AIIMS · 2026-09-05
另有 1 条近重复转述:PerformanceRound7913