人工智能基准测试已从单纯的评估工具，逐渐演变为影响模型训练目标和能力设计的关键力量。Contrary Research 的最新报告指出，构建不当的基准测试可能把整个行业推向错误方向。随着模型越来越针对榜单表现进行优化，一种被称为“benchmaxxing”（基准刷分）的现象正在蔓延：模型可能在特定测试上表现优异，却未必带来真实智能或实用能力的提升。报告强调，要建立能够抵御刷分行为的基准，需要更深入地理解我们真正希望 AI 系统具备的能力，并设计相应的测量方法。研究人员必须重新审视当前基准究竟奖励何种进步，避免在错误的山丘上消耗大量资源。这一提醒对大模型竞赛和 AI 能力评估体系建设具有重要现实意义。