一项对 60 个主流 AI 基准的系统研究发现，接近一半已经进入饱和状态：领先模型的成绩越来越靠近上限，模型之间的差距也持续缩小。研究还发现，基准越老越容易饱和，而专家策划的数据比其他构建方式更耐用。

一句话结论：基准失去区分度不只是模型变强，也说明题目设计和维护速度跟不上；继续在接近满分的测试上比较零点几分，容易把抽样误差、提示差异和数据接触误写成能力进步。

研究者从主要模型技术报告中收集 60 个被广泛引用的基准，并按任务、数据和评估方式编码 14 类属性。他们观察最高分与领先模型间距如何随时间变化，再判断测试是否已经很难继续区分新模型。

结果显示，饱和与基准年龄显著相关。一个测试公开越久，模型训练数据、提示工程和专门优化就越可能覆盖它；与此同时，真正困难的样本逐渐被解决，剩余分数空间变得过小。此时排行榜还能变化，却未必代表对真实任务同等幅度的改善。

一个反直觉结果是，公开测试集和私有测试集在这 60 个样本中没有显示出明显不同的抗饱和能力。这不能推出隐藏题目毫无价值。私有数据仍能降低直接背答案的风险，只是保密本身不足以保证难度、多样性和长期区分度。

相较之下，专家策划基准更耐用。专家可以设计需要多步判断、识别常见捷径，并在领域发生变化时补充边界案例。不过专家题也有成本高、规模小和主观性强的问题，不能简单替代真实用户任务和持续更新的数据。

对模型公司而言，最方便的做法是继续沿用市场熟悉的分数；对采购者而言，这恰恰是需要警惕的地方。接近上限后，应增加置信区间、错误类型、成本、延迟、稳定性和真实工作流成功率，而不是只公布单一准确率。

关键事实

• 研究覆盖 60 个主要模型技术报告中常用的 AI 基准
• 接近一半被判断已经饱和，且基准年龄与饱和程度相关
• 专家策划的数据集表现出更强的抗饱和能力
• 在这组样本中，测试集公开或私有与饱和没有显著关联

OC 判断

排行榜的问题不是分数完全无用，而是同一个数字被赋予了超出测量范围的意义。测试接近上限后，维护者应该主动退役或扩展基准，模型公司也应公布错误分布和实际任务结果，否则“新纪录”只会越来越便宜。

为什么重要

• 对开发者：选模型时要使用自己的任务集，并记录成本、波动和失败模式。
• 对企业：采购验收不能只引用厂商榜单，应建立持续更新的私有工作流评测。
• 对研究者：保密不能替代高质量题目，基准需要版本、退役和防捷径机制。

参考来源

• arXiv：When AI Benchmarks Plateau
• OpenReview：论文原始提交 PDF