近期，AI评测领域引发了一场关于评估标准与行业健康发展的激烈讨论。知名在线AI模型排行榜LMArena被批评为一个“破碎的系统”，其核心问题在于评估机制存在严重缺陷。该平台通过用户快速投票进行排名，但用户往往仅根据答案的“美观度”——如篇幅长度、攻击性格式、表情符号的使用——而非事实准确性来做出判断。这种机制实质上奖励了模型的“表面功夫”，而非其真实的知识与推理能力。专家指出，这种错误的激励导向可能导致AI模型开发者为了在排行榜上取得优势，转而优化所谓的“幻觉加格式化”能力，即生成看似详尽、格式精美但内容可能不准确或完全虚构的回应。这不仅扭曲了AI研发的初衷，还可能将整个行业引向追求华而不实性能的歧途，对依赖于可靠AI技术的医疗、金融、法律等关键领域构成潜在风险。此次争议凸显了建立科学、透明、以事实为核心的AI评估体系的紧迫性。