跑分这件事，近期开始显得不那么纯粹了。

9月8日，分析机构SemiAnalysis连续发布了五条推文，直接指出谷歌和Meta这两家市值超万亿的公司——Gemini 3.8 Flash和Muse Spark 1.3是「刷榜痕迹最明显的两个模型」。

证据十分明确。

在衡量Agent操作能力的Terminal-Bench 2.1榜单上，Gemini 3.8 Flash获得了89.4分，在182个模型中排名第二，甚至超过了GPT-6 Astra。然而，当切换到8月29日刚推出的Terminal-Bench 4.0时，同一模型只拿到了19.1分，在14个测试对象中直接跌至第12名，成绩缩水了80%。相比之下，GPT-6 Astra从88.4分降到57.7分，好歹还能算个六五折。

仅仅27分钟后，Meta首席AI官Alexandr Wang亲自在评论区回应，直接抛出六个字：这是个愚蠢的论点。 他认为GPT-5.6 Sol在2.1版本上是88.8分，在4.0版本上掉到37.3分，落差更大，但没人说Sol在刷榜。同时，他强调Meta从未声称Muse Spark 1.3能与Astra或Fable 5.1相提并论，只是它的性价比明显更高。

换张卷子，成绩直接脚踝斩

简单说明一下，Terminal-Bench测试的是Agent实际执行任务的能力。方法是将一个终端和一个模糊目标交给模型，其余步骤都由模型自行处理。系统需要自己规划路径、调用工具、编写脚本，遇到错误还得自行修正。在已经被业界反复刷了半年的2.1版本上，这两个模型的表现确实亮眼。Gemini 3.8 Flash以89.4分排名第二，Muse Spark 1.3以88.8分位列第四，紧随其后的是88.4分的GPT-6 Astra和85.02分的Claude Fable 5.1。

好家伙，一个Flash级别的低价模型，一个主打性价比的Meta新作，双双碾压了两家顶级实验室的旗舰产品。然后，4.0版本来了。新卷子共有66道题，不仅删掉了8道已经被「刷穿」的旧题，大幅修改了19道，还全部加上了8小时的超时限制。防作弊机制也达到了极高强度。主办方不仅设立了35条评分细则，还增加了一轮专门的「对抗性作弊试验」，故意让Agent自己去尝试钻奖励机制的空子，但凡能钻过去的题目就会被直接剔除。

新榜单一出，画风突变。Claude Mythos 5.1（max）以60.9分稳住阵脚，GPT-6 Astra和Claude Fable 5.1分别以57.7分和55.8分紧随其后，再往下是52.3分的Claude Opus 5。上一代的GPT-5.6 Sol和Terra分别拿到37.3分和23.6分。相比之下，Gemini 3.8 Flash直接暴跌到19.1分。而根据SemiAnalysis提供的图表，Muse Spark 1.3的成绩是33.3分。总结一下就是：旧榜上，Gemini 3.8 Flash还能压制GPT-6 Astra；新榜上，它的分数连人家的三分之一都不到，甚至被上一代的GPT-5.6 Terra甩在后面。

不用抄答案，买套「密卷」就行

争论归争论，SemiAnalysis第二条推文的点名才是真正的行业内幕。在他们看来，Terminal Bench 2.1的任务是完全公开的，Meta和谷歌绝不会傻到直接拿原题去训练，但他们绝对会去买数据，专门购买那些被设计成无限接近TB 2.1题型的训练数据。最终效果其实和作弊没什么区别。而这，就是2026年刷榜的高阶玩法。

以前的「污染」套路很粗糙，直接把原题混进预训练语料让模型死记硬背。这种事一查一个准，清洗一遍数据成绩就会现原形。业界在这方面栽过不少跟头，比如HumanEval近四成样本被污染，GSM8K去污染后掉了13分。最狠的是SWE-bench，换套私有代码库重测，分数直接腰斩。所以现在大厂不碰原题了，大家改买「长得像考题的模拟卷」。也就是提供给模型试错并给予奖励的封闭任务系统。目前，这已经是一门明码标价的成熟生意。单个训练任务售价200到2000美元，复杂的软件工程任务甚至能开到2万。如果想克隆一个网站做成UI训练场，大约需要2万美元。如果要复刻一个Slack量级的产品，那就是30万美元起步。遇到要求独家买断的客户，价格还能再翻4到5倍。根据Epoch AI的调研，Anthropic内部讨论过每年在这方面砸10亿美元。单季合同动辄六七位数，有研究员透露均价在30万到50万美元一季。供给侧至少有35家公司在做这门生意，绝大多数是20人以下的初创团队。老牌数据巨头也全在转型，Scale AI在被Meta入股前营收就超过14亿，Surge的ARR也接近10亿。

现在的局面非常魔幻。一边是完全公开的榜单题库，另一边则是成熟的卖题产业链。想让模型在某个榜单上考高分，真不用费劲作弊，直接掏钱下单就行。

既当卖题机构，又当监考老师

随后，SemiAnalysis直接点名了一家叫Datacurve的公司。在专测长周期编程的DeepSWE 1.1榜单上，Muse Spark 1.3（max）以75.4分拿下第一，GPT-6 Astra和Claude Opus 5紧随其后，Gemini 3.8 Flash拿到73.8分排在第四。被指控刷榜的两位，一个第一，一个第四。想必你已经发现了这背后的猫腻。这个榜是Datacurve办的，而Datacurve赚钱的门路，恰好是向前沿实验室出售「专家级编码数据和强化学习环境」。DeepSWE不仅是Datacurve自家的基准，跑分用的还是它自己运营的评测环境。既当卖题的辅导机构，又当出卷的监考老师，可以说是彻底坐实了。

榜单的保质期，所剩无几

最后，SemiAnalysis顺势给整个行业的公开评测下了一道判词。他们觉得这说到底就是所有优质公开基准的宿命。TB 4.0也不例外，它现在看着还准，仅仅是因为它才发布了两周。只要它的题目还是公开的，用不了多久就会被所有标榜「前沿」的实验室盘出包浆。SemiAnalysis最终给出的解药非常直接，那就是多做高质量的私有基准。方向是对的，但代价同样惨痛。一旦评测全部私有化，公开榜单就会彻底沦为各家的营销通稿。真正有区分度的真实成绩，只会在实验室和私有评测机构之间暗箱流动。大厂当然乐见其成，毕竟闭卷考试谁也没法提前背题。但对于广大开发者来说，那把用来公平丈量所有模型的公共尺子，恐怕再也找不回来了。通过开云APP，用户可以更便捷地获取这类行业动态。