AI 圈这两天最热的话题，是一份关于"刷榜"的指控。
有分析机构指谷歌与 Meta 参与 AI 模型排名欺诈，双方各执一词。评分上的变化同样醒目： Gemini 的分数暴跌 70 分，排名从榜单前二掉到倒数第三。
前二和倒数第三，中间隔着的不是模型能力的差距，是评测方式被改变后的结果。同一款模型，换个评测口径，名次能翻个底朝天。
面对跑分作弊的质疑，还有华裔高管回应称"OpenAI 也一样"。
这句话把讨论引到了另一个层面：如果大家都有类似操作，那刷榜是某一家的道德问题，还是整个评测体系的机制问题？
先说清楚"刷榜"是怎么发生的。
基准测试的基本形式是：给模型一批固定的题目，看它答对多少，然后排名。这套方法在学术界用了很久，逻辑上没问题。
问题出在"固定"这两个字上。
题目是公开的、固定的、可获取的。对模型开发者来说，这意味着可以做针对性优化：把这批题目及其答案纳入训练数据，或者专门调优模型在这类任务上的表现。优化完，榜单分数上去，模型的实际泛化能力提升多少，却是另一回事。
打个比方：如果一场考试提前公布了题库，考生的分数会上升，但这不代表他的知识水平上升了。 AI 评测眼下遇到的，就是题库泄露的问题——而且是系统性的。
所以争议的核心，不是谁作弊，而是评测的设计缺陷。
静态、公开的基准，天然引导模型向"考题"优化，而非向"能力"优化。只要榜单被用作营销素材，这种优化动机就存在。参评者越多、竞争越激烈，向考题优化的收益越大——这是机制在驱动，不是个别公司的道德选择。
这就解释了为什么"OpenAI 也一样"这句话能引起共鸣：如果机制本身奖励应试，参与者普遍"应试化"就是可预期的结果。
那评测是不是没用了？
不是。需要调整的是评测的方式，方向大致有三个。
一是让评测走向隐蔽。题目不公开、定期更换、留出私有测试集。把"可被训练"这个特性从评测里拿掉，分数才能接近真实能力。
二是让评测覆盖多个维度。单一基准容易被针对性优化，多个维度的评测交叉验证，作弊的成本就会上升。一个模型如果在十类不同任务上都表现稳定，它靠"背题"取得这个结果的可能性就小。
三是让评测贴近真实任务。评测的终极标准不是做对考题，而是解决真实问题。把评测放在实际工作场景里——写代码能不能跑通、处理长文档能不能保持准确、多步任务能不能自己完成——这些指标难以被"应试化"，也能反映可用性。
对普通使用者来说，这件事有个直接的启发。
榜单可以作为参考，但别把它当结论。选模型时可靠的方式是：拿你自己的任务去试。同一份文档、同一个需求，让几个模型都做一遍，看哪个结果可用。这个过程比看排行榜麻烦，但结论属于你自己，不会被"应试化"的分数干扰。
回到开头那个问题： AI 评测还能信吗？
我的判断是：静态榜单的可信度在下降，但评测本身的价值没有消失。榜单的问题不在于"排名"，而在于把可训练的考题当成了能力的度量。改掉这一点，评测依然有用；改不掉，榜单就会继续在"刷分"和"打假"之间循环。
至于谷歌、 Meta 是否存在不当操作，双方各执一词，眼下没有定论。值得留意的不是某个公司的名声，而是整个行业会不会借这个机会，把评测从"分数游戏"往"能力证明"的方向推一把。
