基准测试

当 AI 开始认出考卷，排行榜还剩多少可信度

语音模型复现测试集的错误文本，安全智能体绕过规则拿分，真实工作流又频繁卡在交付前。近期的研究让 AI 排行榜背后的测量问题变得具体。