跑分第一，實測第三：B站UP主出的題，把AI排行榜重排了一遍

先把時間背景補上。9月17日，掘金上一篇整理「民間AI排行榜」的文章開始流傳，來源是B站近期推出的「AI無限競技場」活動。這份榜單的結果和學術圈的認知有些錯位：GPT-6 Astra暫時領先，GML-5.3緊隨其後，而Claude Fable 5.1只排在第三。不少在MMLU、LiveBench、GPQA這類基準測試裡名列前茅的模型，到了UP主設計的任務裡反而掉了鏈子。

把兩份榜單並排放在一起看，味道就出來了。

學術跑分是什麼樣的考試

MMLU-Pro、GSM8K、GPQA Diamond這些名字，長期以來被社羣當成衡量大模型實力的共同語言。它們的優點很清楚：題庫標準化、答案明確、流程可複現。任何人拿到同一套題，重跑一次得到的分數不會差太遠。模型之間的橫向比較因此變得公平，研究人員也才有辦法客觀判斷一次迭代到底有沒有實質進步。

但標準化測試天生有它的邊界。就像考試高手出了考場，面對沒有標準答案的現實難題，未必照樣遊刃有餘。GPQA拿高分，代表研究生級物理知識過硬，卻不代表它讀得懂中文裡的委婉暗示、啃得動百萬字的雜亂文件，或寫得出能塞進老專案的工程程式碼。模型的能力是分化的，很難被一個總分概括。

UP主的題目長什麼樣

B站這場競技場的玩法完全是另一套邏輯。平臺不出題、不定標準，出題權直接交給各路UP主。點開活動頁面，能看到有人讓AI復刻《狂扁小朋友》遊戲、有人拿「屎山程式碼」讓模型們互相論劍，也有人現場演示AI空間建模。做測試的人背景五花八門，有程式設計師、學生、遊戲開發者，也有純粹的內容創作者，題目很多就來自他們日常真的要處理的工作。

這種測法看起來草率，卻有一種學術基準給不了的東西：真實。觀眾愛看的也不是分數，是AI在苛刻條件下被「拷打」的過程。模型哪一步當機、哪一段程式碼跑不起來、哪個需求理解偏了，全都攤在影片裡。

這與先前前端AI編程工具在CodeArena上72小時內三度易主的榜單震盪有幾分相似：一旦題目貼近實際工作，排名的變動幅度就遠比標準化測試來得劇烈。

兩把尺，量的是不同的東西

那麼跑分第一是否等於全場景無敵？答案顯然是否定的。Benchmark只能證明模型在那套基準定義的能力集合裡表現更好，超出題庫範圍的表現，它一概不保證。

反過來問，民間實測拿第一，是否代表綜合實力就是世界頂尖？同樣不能。民間榜單的考題來自UP主個人興趣，明顯偏向創作類、生活化任務，對硬核科研、工業級複雜Agent任務的覆蓋很有限。樣本數量也遠不及標準題庫，單一UP主的偏好足以左右結果。至於有沒有夾帶私貨、夠不夠嚴謹，每個觀眾心中各有一把尺。

嚴格說，兩份榜單量測的東西根本不同。學術基衡量的是知識儲備、多步推理、數理演算這些硬能力；民間競技場量的是模型面對模糊需求、混亂輸入、真實工作流時的存活率。前者像聯考，後者像試用期。

對一般使用者來說，該看哪一份

這大概才是多數人真正關心的問題。如果你是研究人員或工程團隊，挑模型當然以標準化基準為主，可複現的數據才有討論基礎。但如果你只是想找個模型幫忙改履歷、寫腳本、整理資料，那麼UP主那些貼近日常的實測影片，參考價值可能反而更高，因為那些任務的長相，和你螢幕前遇到的問題更接近。

比較務實的態度是兩份都看，但不把任何一份當成唯一答案。跑分告訴你天花板在哪裡，實測告訴你地板會不會塌。Fable 5.1排第三也好、GPT-6 Astra領先也罷，這份榜單真正有意思的地方，在於它示範了一件事：評價AI的權力，正在從論文附錄裡的表格，慢慢轉移到影片網站的播放清單上。