谷歌Meta被锤刷榜

近期AI圈最热的两款模型——谷歌Gemini 3.8 Flash与Meta Muse Spark 1.3同时发布，均凭借亮眼跑分登顶多个大模型排行榜，然而不到一周，就被多方实锤存在刷榜行为，真实能力遭到严重质疑。

TB4.0新基准揭穿刷榜套路

知名AI研究机构SemiAnalysis最先发出指控，称谷歌、Meta两款模型的刷分证据就藏在过往评测中：二者在TB 2.1评测基准中拿下极高分数，但换成全新发布的TB 4.0评测基准后，跑分直接出现断崖式下跌，真实泛化能力完全匹配不上此前的高分表现。
随后有网友对两款模型做了后端级3D约束压力测试，进一步揭穿了二者的“老底”：测试结果显示Muse Spark 1.4并没有官方宣传的那么强大，而Gemini Flash 3.5则是实打实的“刷榜选手”。

跑分虚高难掩真实体验短板

多家评测机构的报告都指向了同一问题：当前大模型行业已经陷入“为了跑分而训练”的怪圈，以下评测基准成了各家疯狂“刷题”的目标：

• DeepSWE
• Tau3-Bench
• GPQA
  发布的模型必然伴随吊打友商的雷达图和排行榜截图，但真实使用体验毫无长进。
  知名AI机构BridgeMind的公开吐槽精准戳中了行业痛点：“这个月的AI发布如出一辙，分数飙升，但真实世界的体验却毫无长进。我对基准测试的信任每周都在减少，而对那些玩弄基准的实验室，信任更是所剩无几。”
  Artificial Analysis的深度报告也佐证了这一问题：Muse Spark 1.3在AA-Omniscience测试的xhigh、max版本中均出现跑分退步，原因在于模型的“弃权率”大幅提升——面对不确定的问题，模型更倾向于不回答而非胡编乱造，虽然降低了幻觉率，但也侧面说明其绝对知识储备并没有像跑分显示的那么夸张。

  性价比成Meta破局核心优势

  在跑分饱受质疑的同时，Muse Spark 1.3却凭借极致的性价比收获了大批开发者好感。Meta首席AI官Alexandr Wang公开评价该模型“便宜到不值一提”，“前沿性能，成本只是零头”。
  据悉，Muse Spark 1.3走的是与行业“大力出奇迹、疯狂堆叠参数”完全不同的路线：通过针对性训练优化长周期编程、指令遵循能力，减少不必要的交互轮次，让输出更加简洁，最终实现了1美元可运行2小时的超低使用成本，被开发者称为“性能怪兽”。北大校友、Meta研究员孙之清也透露，团队针对此前的牛油果（avocado）模型做了再次后训练，实现了更好的测试scaling，为7×24小时个人智能体的落地铺平了道路。

  迭代速度差距让谷歌陷入被动

  两款模型的竞争也暴露了谷歌和Meta的迭代效率差距。有网友调侃：“谷歌辛辛苦苦四个月发了4个Gemini Flash版本，Meta这边五个月里一口气迭代了4个Muse Spark。但谷歌刚领跑几个小时，就被Meta超车，这剧情太精彩了。”
  Alexandr Wang也公开“吐槽”谷歌：“在Artificial Analysis智能指数上，Gemini啥也不是，只能吃别家模型的汽车尾气。”曾经的搜索巨头在AI大模型赛道上，已经呈现出被Meta追赶甚至反超的态势。