跑分在测什么公开榜单benchmark通常是一批固定题目加上标准答案。模型跑一遍算正确率排名就出来了。它解决的问题是可比性同一套题谁都能跑结果能被摆在同一个标尺上。这在选型初期很有价值。问题在于这个标尺测的是在固定题目上的表现而你要的是在你的任务上的表现。这两者之间隔着好几层。落差从哪来第一层题目和答案可能已经见过。如果评测数据在网上广泛流传而训练数据又从网上来模型可能在训练阶段就接触过类似题目。分数因此被抬高但这种会做未必能迁移到新题上。第二层评测任务和真实任务形态不同。榜单常常是选择题、短问答、单轮任务真实场景往往是长文档、多轮对话、带上下文的模糊需求。会做选择题不代表能在你的业务流程里稳定工作。第三层对提示非常敏感。同一件事换一种问法结果可能不同。榜单用的是标准提示真实用户不会按标准模板说话。中间每一步都有损耗公开榜单分数换算成同类任务分数再换算成你的任务分数再考虑真实输入的噪声与多轮上下文实际可用性三类评测各自的盲区评测方式优点主要盲区公开榜单客观题可复现、易比较可能被训练数据覆盖任务形态与真实场景脱节模型/人工裁判打分能处理开放答案裁判本身有偏好分数不总是稳定可复现你自己构建的任务集贴近真实使用构建成本高样本少时结论不稳三者不是相互替代而是层层收窄榜单用来筛掉明显不达标的候选自建任务集用来做最终判断。三个常见误解误解一分数高就是模型强。分数高只说明它在那套题上表现好。能力是任务相关的没有脱离任务场景的绝对强弱。误解二榜单没用可以直接忽略。恰好相反——它是低成本的初筛工具。用它排除候选而不是用它做最终决策。误解三换个更强的模型就能解决业务问题。很多时候瓶颈不在模型能力而在输入质量、上下文组织、流程设计。这些问题换模型是换不掉的。一套务实的选型流程用公开榜单把候选从大范围收窄到少数几个用你自己的真实数据构造一小批评测样本覆盖高频与边界情况用真实提示词而不是标准模板跑并考察多轮表现关注失败模式它错在什么地方比错多少次更重要上线后持续抽样、持续回看而不是一次性验收收尾跑分和可用性之间隔着一连串折算题目能否迁移、任务形态是否一致、提示是否敏感、真实输入有多少噪声。把榜单当筛子而不是尺子选型判断会稳得多。