AI圈的跑分内卷，最近真是越来越离谱了。

9月8日，知名分析机构 SemiAnalysis 连发数条长文，直接将矛头对准了谷歌和 Meta 两家万亿级科技巨头，扯下了 AI 大模型“高分神话”的遮羞布。

他们直言不讳地指出：谷歌的 Gemini 3.8 Flash 和 Meta 的 Muse Spark 1.3 是目前“刷榜痕迹最明显”的两个模型。

换套新卷子，成绩当场“脚踝斩”

要看懂这场闹剧，得先了解一下大背景。目前行业内有个专门测试 AI Agent（智能体）真实干活能力的知名榜单叫 Terminal-Bench。其测试方式是丢给 AI 一个终端和模糊目标，让它自己规划路径、调用工具、写代码，甚至报错了还得自己改。

在已经被大家“刷”了大半年的 2.1 版本老榜单上，这两位被点名的选手的成绩堪称极其华丽：

  • Gemini 3.8 Flash 拿下 89.4 分高居第2，把 OpenAI 的 GPT-6 Astra 都压在了身下。
  • Muse Spark 1.3 也拿下了 88.8 分位列第4。

然而，当 8月29日 官方上线了全新的 Terminal-Bench 4.0 版本后，画风突变！

新卷子难度大增：不仅砍掉了旧题、大修了任务，还增加了超时限制和极为严苛的“对抗性作弊防范机制”。在这套新题库下： 前文秒天秒地的 Gemini 3.8 Flash 只拿到了可怜的 19.1 分，成绩直接打了个二折，跌出前十；Muse Spark 1.3 同样暴跌至 33.3 分。 作为对比，OpenAI 的 GPT-6 Astra 和 Anthropic 的 Claude Fable 5.1 跌幅相对正常，依然维持在 55-57 分左右的及格水位线。

虽然 Meta 的首席 AI 官 Alexandr Wang 火速赶到评论区回怼，称这是一个“愚蠢的论点”，并指出其他旧模型掉分也很严重。但不可否认的是，一旦缺乏针对性优化，部分主打性价比的模型在新测试中立刻现了原形。

不用抄答案，直接花钱买“拟真密卷”

大佬们的口水战固然精彩，但 SemiAnalysis 扒出的行业内幕才真正让人后背发凉。

在 2026 年的今天，巨头们当然不会傻到直接拿原题去喂给 AI 让它“死记硬背”，因为一旦被查出来分数就会作废。现在流行的高阶玩法是：花高价购买与测试题目“无限贴近”的模拟训练数据。

目前，这已经是一门明码标价且极其成熟的“提分灰产”：

  • 单个简单训练任务：200 到 2000 美元
  • 单个复杂的软件工程任务：高达 2 万美元
  • 完整克隆一个复刻 Slack 级别的产品作为 AI 训练场：30 万美元起步
  • 如果你要独家买断题库：价格直接翻 4 到 5 倍！

据爆料，很多知名 AI 实验室甚至每年要在这上面砸出数亿甚至十亿美元的预算。目前市面上至少有35家公司在做这门稳赚不赔的倒卖生意。

裁判亲自下场踢球？魔幻的评测生态

更夸张的是，SemiAnalysis 直接点名了一家名为 Datacurve 的数据公司。

这家公司运营着一个专门测试长周期编程能力的榜单 DeepSWE。巧合的是，在这张榜单上，涉嫌刷榜的 Muse Spark 1.3 和 Gemini 3.8 Flash 分别拿下了第一和第四的好成绩。

而 Datacurve 公司的核心盈利模式，恰恰就是向谷歌等前沿实验室出售“专家级编码数据和环境”。既当出题卖课的辅导机构，又当监考排名的裁判，这种又吃又拿的操作，彻底坐实了跑分榜单里的水有多深。

【编辑观察】公开榜单的“至暗时刻”

面对这种只要肯花钱买“模拟题”就能刷上高分的环境，公共评测榜单的公信力正在遭受毁灭性打击。

TB 4.0 现在的成绩看着还算真实，仅仅是因为它刚发布了两周。只要题目还要公开，用不了多久，各大实验室的“刷题大军”又会把它盘得包浆。

如果未来所有真实的、有区分度的测试，都只能在企业内部“闭卷”进行，那对于广大开发者和普通吃瓜用户来说，我们将彻底失去一把公平衡量 AI 实力差异的公共尺子。这无疑是整个科技社区的巨大损失。