刷榜跑分? AI评测不应走偏路线

“百模大战”以来，AI大模型的部分榜单上出现了一个奇怪现象：长期盘踞在榜单前列的，经常是一些名不见经传的国产大模型，它们竟然以接近满分的优势碾压了ChatGPT、Gemini和其他知名的AI大模型。

之所以令人大跌眼镜，是因为这与大众的实际体验严重不符。不少AI大模型分数名列前茅，实力却不及格。如果说“听不懂答不对、动不动就崩溃”司空见惯，那么更讽刺的是，有的大模型根本没对业界开放，就算大家想感受一下“第一名”的风采都找不到门路。

有人可能会好奇：一些AI大模型“高分低能”是怎么做到的？原因其实很简单，那就是评测中出现了数据污染和泄露。简单来说，榜单排名类似于有第三方“考官”出了一个题库，题库中大量考题针对性测评大模型各个方面的能力，而有的“考生”提前拿到题库，并把答案逐一背了下来。

“考高分”的目的也很明确，那就是投机取巧、炒作包装。业内人士告诉记者，在国内众多大模型激烈竞争、良莠不齐的当下，许多大模型还未在用户之间形成过硬的口碑，离产生世界级影响还有较远的一段路。而评测是直观体现大模型能力的关键方式之一，学术化榜单和市场化榜单都得到了广泛重视，刷榜跑分因此成为一些企业快速吸引眼球的手段。

当然，榜单失真的背后，不只有作弊的“考生”，也可能有徇私的“考官”。业界需要客观、公正、高水准的优质榜单帮助大家慧眼识珠、去伪存真，“考官”如果协助“考生”作弊，无疑会扰乱AI大模型的评测环境。所幸我们看到，部分榜单在遇到刷榜跑分问题后，及时推出补救措施，例如将公开大模型和非公开大模型区分为两张榜单，成功挤出大量非公开大模型的水分。

是金非金焰烈而晓，部分大模型企业一心扑在刷榜跑分上显然走偏了路线。说到底AI大模型的发展还是那句老话，关键核心技术要不来、买不来、讨不来，更包装不来，唯有一步一个脚印，扎扎实实地向前走。