AI测试得分1753碾压人类？偏好打分机制被指更看重排版而非正确性

Spiritual_Heron_5680 · reddit · 2026-08-14

近期有测试（涉及 Grok 4.6、GPT-5.6 等）显示 AI 得分远超人类专家基准（1000分），引发热议。但作者指出，这类测试没有标准答案，而是采用偏好投票机制，让评估者在两个 AI 输出中挑选“看起来更好”的。

这种机制容易奖励排版整洁、语气自信的内容，而非真正准确或实用的结果。因此，高分可能仅仅意味着模型能生成“看起来很专业”的输出，并不等同于其实际工作能力超越了人类专家。作者呼吁在看到此类跑分标题时应保持警惕。