基准也有保质期：Reddit 整理评测发布时间线防 benchmaxxing
Express_Quail_1493 · reddit · 2026-10-28
Reddit 用户按 Artificial Analysis 公开的评测列表逐一考证发布/公布日期，整理出一张从新到旧的基准时间线，用以提醒大家「跑分作弊」问题：一个基准发布约 3-4 个月后，被针对性优化的风险就大到不再可信，届时评测方通常会推出新版本作为对策。
时间线中较新的评测包括 Code2Video-AA 与 CritPt v2（2026-10-26）、Cognition 的 FrontierCode 2.0（10-27）、AA-PersonalityBench 与 HealthBench (Professional)（10-19）、AA-3D（10-12）、Harvey LAB-AA v1.1（10-08，新增幻觉检查）、HLE-Diamond（09-22）、GDPval-AA v2.1（09-19）等；较老的包括 Terminal-Bench 4.0、AA-Omniscience（2025-11）、IFBench（2025-07）、Terminal-Bench Hard 等。
结论：看排行榜先查基准新旧，3-4 个月以上的成绩参考价值急剧下降，评测方迭代新版本是当前唯一的对抗手段。
「模型」频道最新
- Grok 4.7 包揽 VulcanBench v4 前三名,超 Opus 5.5 与 Sonnet 5.5 — XFreeze · 2026-10-28
- 传闻汇总：OpenAI/Anthropic 内部模型靠游戏与模拟环境 RL 实现推理跃升 — imjustnewatai · 2026-10-28
- 用户吐槽：ChatGPT 回答总以「One question:」收尾 — Angaisb_ · 2026-10-28
- 社区建言 Gemma 未来版：强化多语言、手写 OCR 与减少拒答 — MaziyarPanahi · 2026-10-28
- 匿名模型 Space Bunny 揭晓:实为 MiniMax M3.1 Flash 早期版,限免 3 天 — lxfater · 2026-10-28
- Artificial Analysis 排名被指系统性压低开源模型分数,引发争议 — aiamblichus · 2026-10-28