已收录文章摘要，完整内容可前往原文阅读。
伴随模型能力提升，模型评测也面临着新的挑战。部分评测基准已接近饱和，模型分数越来越难拉开差距，跑分的参考价值也随之下降。哪些基准仍然有效，测出的分数还能说明什么？针对这一现状，来自阿里数据的研究团队在