【刷榜还是进化？Anthropic新模型ARC-AGI跑分疑云】Anthropic最新的Opus 5在ARC-AGI-3基准测试中跑出了惊人的高分，远超此前所有模型，甚至在某些维度上表现得像个“老手”。然而，这种跨越式的进步引发了圈内对其“刷榜”（Benchmaxxing）的强烈质疑：在面对经典谜题时，Opus 5能不假思索地给出字节级一致的最优解；但在面对规则稍作修改的新题时，表现甚至不如旧版本。这种“背题家”式的表现，揭开了大模型行业一个公开的秘密：为了那几亿美金的估值和市场地位，实验室们正陷入一种病态的刷榜竞争。这不仅是数据污染的问题，更像是一种“脚手架内化”训练——模型并没有真正习得通用推理能力，只是学会了特定题型的套路。如果你发现新模型在处理日常工作时依然会犯低级错误，但在复杂谜题上却像个天才，那大概率是因为它在训练集里见过“参考答案”。真正的AGI不该是靠记忆力取胜的考试机器，而应是在陌生环境下解决新问题的能力。当跑分变成一场涂抹口红的选美比赛，我们更需要关注那些模型在“没见过”的场景下，是否还能像人类一样思考。 news.ycombinator.com/item?id=49045040