跑分涨了并不等于手感也涨

一个被很多人漏掉的细节：GPT-6 Sol 在文本盲测榜上的名次，比上一代掉了一大截。GPT-5.6 Sol 稳在十九名上下，GPT-6 Sol 滑到六十名开外。同一个家族、同一条产品线，人类盲测偏好里差出四十个名次，这不是波动，是取向换了。 换成大白话，新模型可能更便宜、编码和 agent 任务上也更强，但拿来做 ChatGPT 式的日常对话，它明显退步了。嘴上说的是通用助手，训练时喂的料却在往干活那边偏。 这个取向我能理解。厂商现在评模型看的是能不能跑通长任务、能不能自己找路，聊天手感在这套考核里几乎不占分。于是参数朝 agent 那边拧，聊天就跟着生硬。问题在于大多数人买订阅还是拿来对话，考核指标和用户用法错开了一半。 我的保留是别只看这一张榜。盲测偏好有风格成分，六十名未必等于能力腰斩，可它至少证明一件事：跑分涨不等于手感涨，两套评价正在分家。真要在意聊天体验，光看编码榜会做错选择。 判断落在选型上。写代码、跑 agent 的活，新模型该换就换；纯对话的场景，拿两代模型各问十个日常问题再决定，比任何榜单都诚实。