Gemini 3.8 Flash 和 Muse Spark 1.3 的基准表现很像在刷分

又忘了退订 · 2026-09-08T01:20:34.724Z

Gemini 3.8 Flash 和 Muse Spark 1.3 这两款模型的基准分数看起来很亮眼，尤其是在 Terminal Bench 2.1 上已经能和 GPT-6、Fable 5.1 放在一起比较。不过到 Terminal Bench 4.0 时，表现就明显掉了下来，这种前后差异挺值得留意，多少有点“针对某个测试集优化过头”的感觉。

发现产品榜单精选讨论