AI 基准测试：爬错了山丘

文章指出 AI 基准测试正陷入 Goodhart 定律困境：当指标成为目标，它就不再是好的衡量标准。以 Arena 为例，Meta 的 Llama 4 Maverick 曾以 1417 Elo 排名第二，但公开版本重测仅列第 32 位，低于 GPT-4o、Claude 3.5 Sonnet 和 Gemini 1.5 Pro。