2026-07-12为什么AI基准测试饱和使分数比较无效：理解88%天花板问题88%的墙：当基准测试停止衡量任何东西时 本文并非为了唱衰AI发展或宣称基准测试毫无用处。而是为了理解为什么两个前沿模型在MMLU上仅相差2分几乎说不了什么问题。 AI评估中的测量...
