scaling01：Grok 和 Gemini 若追平前沿模型多半是刷榜
scaling01 · x · 2026-10-18
X 用户 scaling01 提出一条经验法则：如果 Grok 和 Gemini 系列模型在评测中表现得与 OpenAI、Anthropic 的前沿模型一样好，那大概率是 benchmaxxed（刷榜）。
他在回复中针对大量转发 DeepSeek DeepSWE 结果的网友提醒：先动脑想想，等第三方私有基准测试结果出来再做判断，不要轻信厂商自己发布的评测成绩。
所属事件:DeepSWE 跑分引质疑，社区呼吁第三方基准验证(2 条相关)→
「模型」频道最新
- Codex 用户一天烧掉 2 万额度，$200 订阅者质疑 OpenAI 用量异常 — alexcovo_eth · 2026-10-18
- Anthropic 研究员称 1-2 年内可加固全球网络安全，安全专家质疑 — joshua_saxe · 2026-10-18
- 同一 3D 毛绒西瓜任务:Opus 花 8.98 美元,Gemini 仅 0.34 美元 — DynamicWebPaige · 2026-10-18
- 「让 AI 直接开一门 400 级经济学课」仍做不到,开发者感慨能力缺口 — rickasaurus · 2026-10-18
- Gemini 4 Argon 多步任务仅 $0.23,较 Claude 便宜约 145 倍 — DynamicWebPaige · 2026-10-18
- DeepSeek V4.1 Flash 被问身份自称 ChatGPT,截图引发调侃 — scaling01 · 2026-10-18