新AI評測方法出爐：中國開源模型與美國差距擴至12分
nashnova research
AI評測機構Artificial Analysis將測試題目轉為保密後，開源模型與閉源領先者的差距從3分驟擴至12分——中國AI模型的競爭威脅，可能被市場嚴重高估。
題目一保密，分數差距為甚麼突然拉大了？
Artificial Analysis改革了評測體系，將大量測試題目從公開轉為保密，防止AI公司「刷題」——事先拿到考題、專門訓練。
舊體系下，最強開源模型只落後整體冠軍3分；新體系下差距直接擴大到12分。
這意味著→ 此前開源模型展示的「接近追平」，有很大一部分靠的是對公開考題的針對性訓練，而非真實能力的提升。
閉源模型到底領先多少？
新體系下開源權重模型最高分僅32分，而Anthropic的Claude Opus 5.5拿到58分。
更關鍵的是，Anthropic旗下的小型模型Claude Haiku 5.5也超越了所有公開權重模型，包括月之暗面的Kimi K3.1 Pro。
簡單來說＝ 不是最強打最強才贏——閉源陣營連「二隊選手」都能壓過開源的頭號種子。
「基準測試作弊」是怎麼回事？
雪花CEO拉馬斯瓦米在社交平台發問：「究竟是開源在追趕，還是考題在洩漏？」
微軟CEO納德拉等業內人士稱這種現象為「基準測試作弊」——模型提前看到考題、專項訓練後跑出高分，但換到真實場景就表現不了那麼好。
這反映出 行業此前引用的許多「開源接近閉源」的對比數據，評測基礎本身就有水分。
開源模型的實際用量有多大？
OpenCode聯合創始人拉德分析了模型聚合平台OpenRouter的流量，估算全部DeepSeek流量僅需一個機架的英偉達高性能服務器即可承載，硬件成本約600萬至700萬美元。
與之形成對照：僅ChatGPT月活用戶就超過10億，用的全是OpenAI的閉源模型。
這意味著→ 中國開源模型獲得的市場關注度，與它的實際算力消耗規模嚴重不成比例。
對投資者來說，這件事為甚麼重要？
評測差距加上用量落差，共同指向一個結論：「中國AI正在快速追平美國」的敘事，需要重新審視。
這一判斷直接關係到OpenAI和Anthropic的估值——尤其是Anthropic正在籌備IPO、OpenAI未來也可能上市。
簡單來說＝ 如果競爭威脅被高估了，那這兩家公司的護城河可能比市場目前定價的更寬。
市场有风险，内容仅供研究参考，不构成投资建议。