待验证50% 置信观点精确时间

各大厂商在发布新模型时几乎都会甩出基准测试对比图，用几个百分点的领先宣告碾压竞争对手

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/9/30

首次发现

有效期至：2026/12/29

来源

一张"跑分神图"引爆Reddit：AI基准测试的荒诞真相

涉及实体

GPTmodel Claudemodel

相关事实

待验证同一个模型在不同评测平台上的排名可能大相径庭72% 相似待验证业界对AI编码基准测试的信任度处于历史低点，排行榜冠军频繁更替，基准分数与实际工作表现相关性低68% 相似待验证当研究者用相同的模型运行不同的测试框架时，得分往往出现明显波动68% 相似待验证大模型的性能提升已经明显放缓，最近新版本的评分甚至不一定超越之前的模型，能力基本已定型67% 相似待验证将直方图替换为逐实例统计量（均值、中位数、标准差）反而略微降低了性能66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/960560

API

curl https://kongchang.com/api/v1/knowledge/claims/960560

MCP

get_claim(id=960560)