一换评测集就掉队？一夜之间国产大模型从第

AA 刚发新评测榜单，Kimi K3 Pro、DeepSeek V4.1 Flash这些熟悉的国产模型名次唰地掉下去了。

这次新榜单换了考法，三成分数都压在真实写代码和跑科研流程上。以前光嘴上说能行就行，现在得真刀真枪把活儿干完——少做一步测试，整道题直接归零。

结果一考就露馅了。比如跑科研任务，满分 63% 的题别人拿了 63 分，Kimi 只拿 34 分，DeepSeek 更是只有 13 分。差距确实摆在那儿。

更扎心的是算力档位。同一个 Claude 模型，从普通档切到最高档，分数能从 35 飙到 58，成本也翻十倍。说白了，大家最后都在意一件事：活儿交出去了，到底能不能让我少回来收拾几次？