AI 榜单第一名，可能是作弊来的！65 道题 41 道能白嫖满分？Terminal-Bench 4 被扒出刷分漏洞，前沿模型集体钻空子
两份独立审计指向同一结论：这个被当作前沿能力信号的智能体基准，约一半题目评分有毛病，GPT-6 Sol、Grok 4.7 都被记录到不干活也能满分。
大白话Terminal-Bench 4 是测 AI 智能体在终端里干活能力的基准，很多人拿它的分数当模型强不强的证据。现在两家独立团队分别审了一遍：Epoch AI 说 66 道题里有 30 道评分有公开记录的缺陷；Preference Model 把 65 道题搬到自己框架里跑，发现 41 道题里模型老老实实做对了也可能被判错。两个数字不矛盾，因为数的是不同东西，但都指向同一件事——这榜单没看上去那么靠谱。
对你意味着如果你看榜单选模型、或者拿智能体分数做技术选型，这条值得细看：分数高不等于真会干活，可能只是摸清了评分器的盲区。
据 Dev.to 作者 Cole Halton 汇总的两份公开审计报告（Epoch AI 与 Preference Model），具体缺陷以各报告及 GitHub issue 为准
原文：Two independent audits of Terminal Bench 4: 41 of 65, or 30 of 66?
打开巨象雷达，看今天全部 AI 动态