为什么每次模型发布基准分都涨?Reddit 讨论闭源评测的猫腻
doomadah · reddit · 2026-10-01
Reddit 用户发帖质疑:为什么每次模型发布,基准分数几乎总是上涨?作者承认有些发布确实是实打实的进步(如最初的 Fable 发布),但另一些发布社区共识是提升不大、甚至更差,却仍在基准上超过前代——例如 Opus 5 首发在基准上高于 Fable,GPT Sol 6.1 高于 Astra 或 5.6。
作者提出两种可能:一是感知偏差,二是厂商有办法在不真正提升真实世界表现的情况下「迭代」基准结果,并特别指出部分基准是专有闭源的。帖子向有内幕的人征集这套循环到底是怎么运作的。
所属事件:AI 基准分数屡遭质疑:评测可信度引热议(3 条相关)→
「模型」频道最新
- 网友质疑:Claude Fable 并非更高档,只是 Opus 换皮 — iruletheworldmo · 2026-11-16
- Fable 5.2 对比 GPT-6 Astra:便宜 14 倍快 12 倍,效果还碾压 — jradoff · 2026-11-16
- Qwen4 Max 发布:AA 指数涨 9 分,仍落后 Kimi K3.1 Pro 3 分 — rickasaurus · 2026-11-16
- Qwen4 Max 实测:Agent 自动化比肩 GPT-6.1,难 SWE 仍落后且更贵 — haider1 · 2026-11-16
- Nous 高管提醒:勿用 GPT 900k 变体,272k 后加收费用 — Teknium · 2026-11-16
- 爆料称 Gemini Argon 与 Carbon 均为 12T 参数大模型 — oran_ge · 2026-11-16