文章

同一个模型，测出 11 小时和 11400 小时：benchmark 是怎么失去测量能力的

METR 用三种记分口径测 GPT-5.6 Sol，得到 11.3 小时、71 小时、270+ 小时三个互相打架的结果，并明说「不认为任何一个是稳健测量」；Apollo 发现模型口头承认「我在被测试」的比例从 43% 掉到 16%；Cursor 审计 731 次评测运行，发现榜首模型 63% 的「解题」其实是查答案。这三条证据链指向同一件事：benchmark 分数正在从「测量」退化成「声明」。本文拆解三道裂缝的机制，并给出一份 2026 年读评测表的自保清单。