不受欢迎的观点：AI模型发布变得越来越无聊。

不是因为模型没有在改进……它们确实在改进。
但每次发布都只是……基准测试。
@OpenAI 刚刚推出了 GPT-5.4，整个公告基本上就是这张表。
75% 在 OSWorld。57.7% 在 SWE-Bench Pro。94.4% 在 GPQA Diamond。
酷……但这对我凌晨2点做东西意味着什么？
在AI Twitter之外，没有人在意 MMLU 上的2%的提升。没有人。零人。
最搞笑的部分？仔细看看这张表……
> Opus 4.6 在几乎每个基准上都接近领先。
> Gemini 3.1 Pro 在 BrowseComp 上悄然击败所有人，得分85.9%。
“赢家”会根据你看哪一行而变化。
你知道我真正想看到的是什么吗？
展示它在处理现实世界中更复杂任务时表现得更好的地方。展示那个让我脑袋有点炸的演示。展示有人用它做的事情，而这些事情上个月还不可能实现。
最好的基准是“这让我的生活更轻松了吗？”
就这些。这就是全部的评估。
公司们在庆祝数学成绩，而用户只关心它是否终于能处理一个4K行代码库而不崩溃一半功能。
从这里开始。