打开群聊，又被新模型发布的消息刷屏了。
官方海报、跑分截图、博主速览，一条接一条。某某基准刷新纪录，某某榜单登顶第一，评论区一水儿的”AI 又进化了”。
大多数人的反应就两种：赶紧冲去试，或者直接当没看见。
其实还有第三种，也是我更推荐的：花半小时，按一套固定流程摸个底，判断它值不值得进入你的工作流。
这套流程不需要你懂算法，也不用写评测脚本。一个聊天窗口，加一份任务清单，就够了。
跑分越来越不能信了
先说一个可能反直觉的判断：今天一张跑分截图的信息量，已经不足以支撑你做任何决定。
原因不是”跑分造假”这么简单，而是整个基准体系出了三个问题。
第一，题库泄漏。
公开基准的题目是固定的，而这些题大概率已经混进了训练数据。模型可能没学会推理，只是背过这道题。
业内管这叫基准污染（benchmark contamination）。有评测机构复盘过，把污染因素剔除之后，部分模型的分数能掉两三成。
这就好比考试前学生拿到了原题。考了 95 分，你能说他水平就是 95 吗？
第二，题目失效。
MMLU、HumanEval 这些曾经的主流基准，头部模型早就刷到 85% 甚至 95% 以上，全都挤在顶部，拉不开差距。
一个所有学生都考 95 分以上的考试，已经失去了排名的意义。
第三，针对性刷分。
前两条还只是”考不准”，这一条是主动应试。
2025 年 4 月，Meta 发布 Llama 4，官方博客重点强调了它在 LMArena（一个大模型匿名对打的竞技场榜单）上的高分。
后来有人发现，Meta 提交给 LMArena 的版本叫 Llama-4-Maverick-03-26-Experimental，是专门针对人类评委偏好调优过的特供版。
而真正开放下载的公开版，是另一个模型。
特供版一度冲到总榜第二，公开版的实测表现却明显差一截。这事在社区炸了锅，LMArena 后来也更新了政策，禁止预发布特调版本和正式版本同榜比较。
类似的戏码不止一次。2025 年 7 月的 Grok 4，跑分全面登顶，但不少实际用过的开发者反馈，真实任务里的表现和分数对不上。有句评价很传神：考试满分，干活拉胯。
榜单分会说谎，但往往不是故意说谎——它只是在回答一个跟你无关的问题。
榜单还能看吗？能，但要会看
看到这你可能会想，那榜单是不是直接不看了？
倒也不用这么极端。榜单依然有用，前提是你搞清楚每个榜在测什么，以及它测的是不是你要的。
三个我认为值得看的榜。
LMArena，看”聊起来的体感”。
两个模型匿名对打，真人投票选出更好的回答。它测的不是客观能力，是偏好：什么样的回答让人觉得舒服。
适合回答这类问题：这个模型写东西、聊天，读起来什么感觉？
SWE-bench，看”真实修 bug 的水平”。
任务是真实 GitHub 仓库里的真实 issue，模型要读懂代码、改对地方、跑通测试。其中人工校验过的子集叫 SWE-bench Verified，一共 500 题。
2026 年的头部模型能拿到 80% 以上，它是目前最接近”实际工程能力”的公开基准。
不过要留意，围绕它刷分的声音也开始出现了，已经有论文专门分析它的问题。分数看看就好，别当圣经。
LiveBench，看”没背过题的真实力”。
说白了，它的设计思路就是反污染：题目定期换新，模型没法提前背。适合判断一个模型的裸装水平。
所以下次拿到一张跑分截图，第一件事不是看分数，是看它来自哪个榜。
对比着看你会发现：同一个模型，在不同榜上的名次可以差出十几位，因为它们测的根本不是同一件事。
你是写代码的，SWE-bench 的权重就该最高；你主要拿 AI 写文案，LMArena 的参考价值更大；想看模型的真实上限，去看 LiveBench。
榜单的正确用法是：用来排除，不用来选择。
排名垫底的可以果断排除。但前十名之间谁更适合你，榜单说了不算——答案在你自己的任务里。
半小时摸底流程
接下来是具体流程。半小时拆成三段：5 分钟读发布日信息，20 分钟跑任务集，5 分钟记日志。
前 5 分钟：读发布日信息，只看三样
官方博客和发布页信息量很大，但值得认真读的只有三样。
上下文窗口：决定你能把多大的东西塞给它。长文总结、大仓库分析，都卡在这。
价格：输入和输出的每百万 token 单价。性能差不多的两个模型，价格差一倍，结论就完全不同。
官方定位：它自己说擅长什么。是推理模型还是通用模型？编码特化还是全能型？这决定你后面拿什么任务去测它。
至于那张最大的跑分表格，直接跳过。你已经知道它说明不了什么了。
另外可以顺手扫一眼社区反应。Hacker News、Reddit 的发布日讨论串，重点看开发者踩到的坑，比官方博客诚实得多。
中间 20 分钟：跑自己的任务集
这是整个流程的核心，下一节会给你一份现成的清单。
先说原则：测它对你的日常有没有用，就拿你的日常去测。
任务集应该从自己真实工作里挑。我平时的任务大头是写代码、改 bug、读长文档，任务集就围绕这三件事设计，每个任务都是真实出现过的。
跑的时候有几个要点：
- 用一样的提示词，最好原封不动从历史记录里复制
- 每个任务跑一次就够，摸底不是精测，别恋战
- 旁边开着你的主力模型，同样任务跑一遍做对照——摸底的核心不是”它几分”，是”和我在用的这个比，差在哪”
- 顺手记两笔：哪里惊艳、哪里翻车，具体到任务和现象
最后 5 分钟：记一条评测日志
跑完趁热记一条日志，格式下一节直接给。
别高估自己的记忆力。两周之后，你不会记得当时哪个模型哪里好用。
一套可以直接抄走的任务清单
如果暂时没想好拿什么任务去测，可以从下面这份通用清单开始。5 个任务，覆盖最常见的使用场景，写代码的读者重点跑前两个。
任务 1：改一个真实 bug
从你的项目里找一个最近修过的 bug，把报错信息和相关代码喂给模型，让它定位并修复。
看什么：能不能找准位置，改动是否克制，会不会顺手重构不该动的地方。
任务 2：写一个边界清晰的函数
提一个你真实写过的需求，把边界条件在提示词里说清楚，让它实现。
看什么：边界处理全不全，还是只写了最顺利的那条路。
任务 3：总结一篇长文
找一篇你读过的万字左右的文章或文档，让它输出摘要。
看什么：有没有编造原文没有的内容，重点抓得准不准。长上下文能力最容易在这里露馅。
任务 4：一段真实的写作任务
拿你真实会写的场景：一段周报、一份技术方案、一个开头段落。
看什么：是不是人话，套路感重不重，有没有一堆”综上所述”。
任务 5：一条多约束指令
一句话里塞进多个约束。比如：把这段话改写成 100 字以内、口语化、保留三个关键数据、语气别太正式。
看什么：几条约束都能顾到，还是顾此失彼。这是日常用模型最常踩的坑。
任务跑完，趁热记录。日志模板直接抄：
1 | ## 2026-XX-XX · 模型名 |
一句话结论只有三个选项：进入主力候选、特定场景再用、不跟。
逼自己选一个，这次摸底才算完成。
让每次摸底都有积累
单个模型的摸底结论，价值有限。这套流程真正的价值在积累。
每次新模型发布都跑一遍，日志攒上几个月，你会得到一张自己的模型选择表。
哪个模型写代码稳，哪个模型文笔好，哪个又贵又慢还爱编，全在你自己的任务和数据里。
这张表比任何公开榜单都可靠。因为评测的题目来自你的真实工作，评判标准也是你的标准。
别人的评测，包括这一篇，只能帮你排除明显不合格的选项。
最终它适不适合你，只有你自己的任务集说了算。
下次新模型发布，刷完热闹，花半小时跑一遍这套流程。
比转发一张跑分截图有用得多。