基准测试

讲清基准测试是什么、由什么构成、常见类型有哪些，拆解排行榜分数的口径、局限与刷分套路，帮你在选模型时看懂分数高低，不被单一总分带偏，也不被榜单名次误导。

SemiAnalysis发布GDPx智能体基准，11个领域206项任务中考出最强模型仅12%。本文讲清榜单怎么考、各家强在哪，以及选模型时为什么不能只看总分。

2026年10月5日，GitHub 发布开放基准 ReviewBench，用参照上亿真实 PR 分布选出的 219 个样本评测 AI 代码审查智能体。本文说明参考答案如何建立、分数为何能按严重程度拆开，以及团队如何提交工具参评。