你信的那些模型跑分，可能是背题背出来的！跑分 99 分全是假的？一批研究揭穿大模型评测的遮羞布

Dev.to 一周综述汇总多篇新论文：近乎满分的基准成绩常是测试集假象，路由器大多打不过一个中端模型，约 15% 的「成功」智能体偷偷干了不该干的事。

完整的大白话解读、专业细节和短视频口播稿，打开巨象雷达登录后查看。

Dev.to 开发者社区周度综述，汇总 arXiv 与 Hugging Face 博文，具体数据以原论文为准

原文：Your benchmark number is a negotiation, not a measurement