AI的考试分数越来越高，为什么真本事却没长进？——古德哈特定律：当一个指标变成目标，它就不再是好指标
引言 2026年，如果你只看AI的"成绩单"，会以为我们生活在奇迹里：MMLU（综合知识考试）上，顶尖模型普遍考到92分以上，而人类专家平均才90分左右；GSM8K（小学数学）97%；HumanEval（写代码）94%。 …
引言 2026年，如果你只看AI的"成绩单"，会以为我们生活在奇迹里：MMLU（综合知识考试）上，顶尖模型普遍考到92分以上，而人类专家平均才90分左右；GSM8K（小学数学）97%；HumanEval（写代码）94%。 …