大模型跑分榜吹得天花乱坠，实际用起来怎么像当年杂志评分翻车？

老玩家都懂，当年买盘全靠杂志评分，结果被那帮小编安利了一堆所谓“满分神作”，拿回家卡关卡到怀疑人生。倒是一些小编懒得夸的冷门游戏，自己蹲在包机房一玩就是一下午。 现在选大模型也犯这毛病：看各路跑分榜，什么elo、人类偏好、推理基准，一个赛一个猛。可真上手一聊，不是复读机就是一本正经胡诌，遇到稍微绕点的逻辑直接滑跪。反过来，有些榜单排名不抢眼的模型，实际对话反而像藏了隐藏迷宫，越挖越有货。 说真的，我现在选deepseek还是claude，已经不怎么看榜单了，直接丢几个老游戏里的刁钻谜题过去，盯着思维链绕几圈，比啥评测都直观。你们是信跑分还是信自己手感？