“跑高分”不等于“能交付”：AI排行榜正在经历一场信用重估

传统基准逼近满分，并不代表模型能完成真实工作。BenchLM追踪的710个基准中已有105个饱和，而Surge AI面向职场的新评测让旗舰模型集体跌破及格线，榜单正失去选型信用。

AI 点评

传统基准逼近满分，并不代表模型能完成真实工作。BenchLM追踪的710个基准中已有105个饱和，而Surge AI面向职场的新评测让旗舰模型集体跌破及格线，榜单正失去选型信用。