标签：基准测试

大模型榜单该怎么看？基准测试的局限、数据污染与正确用法

每个新模型发布都会宣称在多项基准测试中领先，但榜单分数与实际业务表现之间常有落差。本文解释主流基准测试衡量什么、存在哪些局限，包括数据污染、饱和、指标偏差和刷榜问题，并给出理性解读榜单、结合自有评测做选型的方法。