AA基准测试争议：Claude稳第一，GPT-6 Astra翻车？ 昨天GPT-…

AA基准测试争议：Claude稳第一，GPT-6 Astra翻车？

昨天GPT-6 Astra刚测完：61分，连Muse Spark 1.3都打不过。堪称基准测试的严重事故！

今天AA基准偷偷连夜大改——加私有题、砍饱和题、权重重洗。Astra才勉强蹦到第二，Muse掉下去。改完还是稳稳输给Claude Fable 5.1，这简直让人难以信服！

防止刷分、更贴近现实？怎么这么巧，刚好卡在翻车当晚改？

说改就改、谁领先谁改权重的东西，还好意思叫独立基准？这不叫评测，这叫事后调分。

AA的垃圾基准，公信力已碎。

这个争议的核心是基准测试的独立性和公正性。如果基准测试可以随意修改，那测试结果还有什么意义？

1. 测试时机可疑。GPT-6 Astra刚翻车，AA就连夜改测试，这很难不让人怀疑。

1. 修改内容可疑。加私有题、砍饱和题、权重重洗，这些修改都指向一个结果：Claude稳第一。

1. 测试结果可疑。改完之后，Claude还是第一，GPT-6 Astra还是第二，这太巧了。

这个争议反映了AI评测行业的深层问题：谁来评测？怎么评测？评测结果谁说了算？

如果评测机构可以随意修改测试，那评测结果就失去了公信力。用户需要的是公正、独立、透明的评测，而不是谁领先谁改权重的闹剧。