“跑高分”不等于“能交付”：AI排行榜正在经历一场信用重估

BenchLM 统计的 295 个百分制基准中已有 105 个饱和，榜首均在 90 分以上；Surge AI 新推出的 sudo L7、GDP.xlsx、DAYJOB 三套真实职场评测则把旗舰模型压到及格线以下，sudo L7 榜首 Claude Opus 5.5 与 Sonnet 5.5 通过率仅 41.7%，GPT-6 Astra 为 33.9%。