新AI评测方法出炉：中国开源模型与美国差距扩至12分
nashnova research
AI评测机构Artificial Analysis将测试题目转为保密后，开源模型与闭源领先者的差距从3分骤扩至12分——中国AI模型的竞争威胁，可能被市场严重高估。
题目一保密，分数差距为什么突然拉大了？
Artificial Analysis改革了评测体系，把大量测试题目从公开转为保密，防止AI公司"刷题"——提前拿到考题、专门训练。
旧体系下，最强开源模型只落后整体冠军3分；新体系下差距直接扩大到12分。
这意味着→ 此前开源模型展示的"接近追平"，有很大一部分靠的是对公开考题的针对性训练，而非真实能力的提升。
闭源模型到底领先多少？
新体系下开源权重模型最高分仅32分，而Anthropic的Claude Opus 5.5拿到58分。
更关键的是，Anthropic旗下的小型模型Claude Haiku 5.5也超越了所有公开权重模型，包括月之暗面的Kimi K3.1 Pro。
用大白话说＝ 不是最强打最强才赢——闭源阵营连"二队选手"都能压过开源的头号种子。
"基准测试作弊"是怎么回事？
雪花CEO拉马斯瓦米在社交平台发问："究竟是开源在追赶，还是考题在泄露？"
微软CEO纳德拉等业内人士称这种现象为"基准测试作弊"——模型提前看到考题、专项训练后跑出高分，但换到真实场景就表现不了那么好。
这反映出 行业此前引用的许多"开源接近闭源"的对比数据，评测基础本身就有水分。
开源模型的实际用量有多大？
OpenCode联合创始人拉德分析了模型聚合平台OpenRouter的流量，估算全部DeepSeek流量仅需一个机架的英伟达高性能服务器即可承载，硬件成本约600万至700万美元。
与之形成对照：仅ChatGPT月活用户就超过10亿，用的全是OpenAI的闭源模型。
这意味着→ 中国开源模型获得的市场关注度，与它的实际算力消耗规模严重不成比例。
对投资者来说，这件事为什么重要？
评测差距加上用量落差，共同指向一个结论："中国AI正在快速追平美国"的叙事，需要重新审视。
这一判断直接关系到OpenAI和Anthropic的估值——尤其是Anthropic正在筹备IPO、OpenAI未来也可能上市。
用大白话说＝ 如果竞争威胁被高估了，那这两家公司的护城河可能比市场目前定价的更宽。
市场有风险，内容仅供研究参考，不构成投资建议。