基准测试大面积饱和，AI 排行榜正经历信用重估

“跑高分”不等于“能交付”：AI排行榜正在经历一场信用重估 第三方评测聚合平台 BenchLM 统计显示，其追踪的 295 个有效百分制基准中约 36% 已彻底饱和，榜首得分全部在 90 分以上，一两分差距已难以区分模型实力与随机波动。相比之下，面向真实生产代码库的 sudo L7 编程评测中，Claude Opus 5.5 与 Sonnet 5.5 通过率仅 41.7%，GPT-6 Astra 为 33.9%，显示「跑高分」与「能交付」之间的差距。