众所周知，很多测试榜单都被刷爆了，导致跑分虚高实际体验拉胯。（点名AA榜第5的Muse Spark、DeepSWE短暂第一的哈基米、 Livebench对标Astra Fable的梁子）。Terminal Bench 4是8月底更新的，各家暂时来不及刷题，姑且可以当做有参考价值，上面提到的三个模型在这个榜单确实分数暴降。想问问佬们现在还有没有别的榜单相对有参考价值的？ 1 个帖子 - 1 位参与者 阅读完整话题

  • 情报分类：技术学习与提效
  • 分类依据：讨论AI模型评测榜单可靠性与刷分现象，属技术学习与提效话题。
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/9/23 09:26:20