一项针对60个广泛使用的大语言模型基准的系统性研究发现，其中29个已经达到饱和状态，意味着当前顶尖模型在这些测试上的表现已无统计学上的显著差异，无法有效区分模型能力。研究指出，基准测试的年龄和测试集规模是预测其是否饱和的关键因素，成立时间越久、测试样本越小的基准越容易失效。与此相反，业界通常认为能延长基准寿命的措施，如采用私有测试集、多语言评估或开放式输出格式，在控制年龄变量后并不能有效防止饱和。这项研究警示社区，一味追求在陈旧小规模基准上刷榜已失去实际意义，构建更大规模、动态更新的测试集并持续关注测量噪声，才是让AI评测保持鉴别力的核心途径。