基准测试（Benchmark）是给 AI 模型准备的一套标准考卷：题目固定、判分规则固定，不同模型在同一套题上作答，最后比分数。它要解决的问题很实际——每家厂商都说自己的模型更强，总得有一把能横向比较的尺子。常见考卷大致分几类：知识问答考记得牢不牢，数学与逻辑题考推理，代码题考能不能写出通过测试的程序，长文本题考读完几十页资料后还记不记得细节，另外还有让真人盲评两种回答、再换算成排名的竞技场式评测。
分数是怎么打出来的
出题方先把题目和判分办法封存好，模型作答后按规则算分：选择题直接对答案，数学题核对最终结果，代码题把程序跑一遍看测试用例过不过，开放式回答则交给另一个模型或人工评分员打分。整个过程里最重要的是“同一套题、同一把尺”，只要有一个模型提前知道题目，比较就不成立了——这也是后面要说的失真来源。
跑分很高，用起来却不顺手的三个原因
第一，题目可能早就被模型“见过”。公开考卷长期挂在网上，模型训练时抓取的网页里混进题目和答案并不罕见，这时它考的不是解题，而是回忆，分数自然虚高，业内把这叫数据污染。第二，考卷只考能力的一小面。选择题答得好，不代表它能按你的语气改三遍稿、能在你行业的黑话里不翻车、能把一份乱糟糟的会议记录整理成能用的纪要。分数是单科成绩，不是综合表现。第三，高分段会饱和。主流模型都考到九十多分之后，一两分的差距很可能来自判分细节和当次运气，而不是真实能力差距；近年已出现评测方在审计后发现部分题目本身存在问题、进而停用整套流行代码考卷的情况，说明考卷自己也会过期、会出错。
最常见的误解：把榜单当实力总排名
很多人把排行榜当成模型的“总实力榜”，看到第一名就认定它什么都最强。更准确的理解是：榜单是某套考卷、某个时间点的单项测量结果。换一套更贴近你工作的题目，名次完全可能重排。尤其是考卷公开越久、被讨论得越多，它的参考价值掉得越快。
普通用户看榜单，记住三条就够
先看考卷和你的活儿像不像：你主要拿模型写代码，就重点看代码类考卷，写作类榜单再热闹也只能当参考。再看分差：差距在一两分以内，基本可以按并列处理，不值得为“榜首”多付钱或放弃已经用顺手的工具。最后一定要用自己的任务复测：挑三五个你最常做的真实任务，用同样的问法让两个模型各做一遍，把结果并排放在一起看——这十分钟，比任何榜单都更能说明哪个适合你。
