Reddit 上 LocalLLaMA 开发者社区（本地跑大模型的硬核玩家聚集地）这周出现一篇高赞讨论：一位跑了 2-3 年模型的开发者把主流 AI 评测榜称为「无用之物」。他说硬件评测思路放到 AI 上完全失效，9B（90 亿参数）的旧模型和 27B 的新模型分数排名可能差不多，但实际跑业务差别巨大。硬核测试社群集体怀疑跑分这件事，值得企业读者关心。

这是什么

讨论的核心是 benchmark（用同一套标准化题库给模型打分）这个机制。传统硬件里它是可信的 — 同一颗芯片跑同一组测试，结果稳定、与日常体验吻合。AI 模型不一样：温度参数（控制回答随机性的设置）调一下、提示词换种说法，分数就差 10-20 个点。AI benchmark 测的不是模型本身，而是「模型在某个特定瞬间的具体回答」。

对模型公司，跑分是营销工具；对投资人，跑分是排名表；对企业 IT，跑分本应是采购依据。三方各取所需时，可信度被牺牲掉了。

行业怎么看

原帖作者的态度是：只有「针在草堆里」这种最基础的检索测试还有点意义，其余榜单聊胜于无；他自己用 Qwen（阿里通义千问）35B 加 27B 组合做日常主力，没换过。

反对意见也有：彻底否定 benchmark，评测体系会垮 — 企业招标没法比较、医院和银行这种合规场景需要某种对标工具。问题不是 benchmark 该不该存在，而是谁来设计题库、怎么避免数据污染（测试题被泄漏进了训练集）、怎么让分数反映真实生产负载。眼下大模型公司送测的题集很多已被反向工程，没这个背景看榜单，会高估某些供应商。

更隐蔽的风险是：跑分沦为营销道具后，反映真实生产力的指标得企业自建 — 准备业务样本、自己跑、自己比。这把本该由评测机构承担的成本推给了采购方。

对普通人的影响

对企业 IT：以前看几个公开榜就下单，现在建议至少准备 20-50 道真实业务题做盲测（不告诉测试者模型名字的对比测试）。

对个人职场：日常用 AI 工具写邮件、做汇报，别全信「最新最强」的话术 — 价格合适、速度稳定的轻量模型往往更实用。

对消费市场：AI 手机「跑分」、AI 电脑「智商分」短期会大量出现，记住这个帖子的提醒 — 数字好看不等于体验好。