榜单分高，跟当年街机背板一个味，换块基板就露馅

最近我自己换着花样压 DeepSeek 和 Claude，越压越别扭：官方榜、开源榜上分高的那几个，扔进我自己的杂活里，该错还是错。倒不是说分是假的，是这分太像当年街机厅里那些背板一币通关的高手——固定路线走得比谁都溜，你哪怕把老板那排区域版基板拨一格，默认难度、出怪顺序全变，立马抓瞎。 我现在的土办法是攒十几条自己的脏活当私人考卷，看它换个说法问还认不认。还有个更邪门的：开了 reasoning，模型在榜题上偶尔反而更爱钻牛角尖，思维链拉得越长越往沟里走。 所以想问问你们，平时是信榜单还是信自己那几道私题？我现在基本是榜单看个大概，真做迁移还得自己投币试一局。