国产开源模型跑分越高反而越难用

开源模型正面临危险时刻。国内模型厂在三季度编程能力提升后，近两个月主要通过刷高AA榜分数来提升排名，手段无所不用其极，导致AA榜得分越高的国产模型反而可能越不可用——分数越高，思考过程越长，完成任务速度越慢，跑分与使用体感严重反差，跑分极高甚至成了反向指标。

AA榜和此前OpenRouter调用量一样，都被国产模型刷烂了。过去几个月，除MiniMax外，没有哪个国产模型刷不上去AA排名：GLM、Kimi和Qwen互刷第一，Mimo刷到开源第一，阶跃Step 5 Preview一度飙升至开源前三，蚂蚁百灵Ling-3.1 Flash也刷到国模第五、超过Claude Haiku 5.5。

作者认为，AA榜如同美国的星球大战计划，是扰乱国产开源模型训练的工具。美国厂商习惯定标准、搞行业准入，跟随者必须耗尽资源把自己改造成人家的模样才能获得认可，这会锁死开源模型赶超的可能性。

大模型是工程问题，性能主要取决于数据和算力，国产模型在高质量数据和算力上远不如美国同行，按相同竞争策略没有赢的可能。中国模型厂主导开源是破局方案，将竞争从中美叙事切换为开源与闭源叙事，但仅开源不够。

都去刷AA榜、以提升著名Benchmark为最高目标，动机是爆一二级市场金币，且都在同一赛道正面竞争，开源就白开了。因此国产模型必须另开一桌、建立自己的标准：AA榜不能再刷；需要众多贴合真实任务和环境的Benchmark；综合性榜单注定没有意义，模型已分出Flash、Pro档位并将按工作领域细分，跨档位比较毫无意义，只能从细分领域评价。

好消息是主流模型基础性能已远超可用线，未来方向是每种工作类型都有自己的SOTA模型，国产模型应找到自己的赛道做到第一，拿回模型性能定义权。正面案例包括DeepSeek专注推理效率、All in Flash路线，DeepSeek 4.1 Flash速度极快、价格低且毛利率不低；K3专门优化小游戏、网页训练数据，做到前端领域第一，但K3.1跟进炒作3D能力属于跟随平替，反而引发反噬。

据此，葬AI决定搞一个开源Benchmark社区，用真实任务、真实环境的题目评估大模型各领域能力，合作Bench将陆续开源发布，欢迎合作开发更多Bench，希望和国产模型厂一起建立主体性。