AI基准测试现罗生门：GPT-5.4跑分在Kimi与DeepSeek报告中为何迥异？

社区发现，在Kimi K2.6和DeepSeek-v4的技术报告中，针对同一标杆模型GPT-5.4的Terminal Bench 2.0跑分存在显著差异，数值分别为65.4和75.1，而同期对比的Gemini和Claude分数在两份报告中却保持一致。这一反常现象引发了外界对测试环境、提示词设置是否统一的强烈质疑。在“模型军备竞赛”日益激烈的当下，这种数据“打架”不仅暴露了AI行业缺乏统一、严格的评测基准标准，更引发了业界关于“刷榜”和数据真实性的深度担忧。