模型互写评测「大乱斗」：Gemma-4 夺冠，Qwen2.5-72B 首次全通过 APEX

Dave_Maynor · x · 2026-11-06

OnlyModels.gg 的每日「Model Fight」让 10 个 Hugging Face 模型互相编写评测：通过不扣分，失败扣 10 HP，自己写的评测若有 bug 反噬 20 HP，全程确定性判定。

当日卡赛：refusal-stripped 的 Gemma-4（ABLITERATED）与临床笔记微调 SOAP-3B 均 90 HP 并列，Gemma-4 以 9–8 的击中数tiebreak夺冠；蒸馏版 Qwen3-1.7B 是唯一通过对手评测的选手；其余 7 个模型全被自己的评测反噬。
随后所有选手跑 APEX escape-claim 基准（family 1.1，seeds 0–3）：40 次运行中 26 次被证伪、1 次 hold、13 次不完整，唯一的 hold 来自底部垫底的 text2sql。
上午的大模型专场（H100、20 次）：Qwen2.5-72B 守住全部四个 seed，成为 APEX 历史上首个完整 hold；GPT-OSS-120B 守住 3/4 且零逃逸；Llama 3.3 70B、Qwen2.5-32B 与 DeepSeek-R1 70B 全部被证伪。

「模型」频道最新