现有 benchmark 能否代表真实工作流？基于 Artificial Analysis 评测方法的四点质疑

一名 Reddit 作者审视 Artificial Analysis 的评测方法后提出四点质疑，认为现有 benchmark 难以代表真实工作流。限制条件、LLM 裁判与人类评分、自定义 harness 及公开数据分别可能带来流程偏差、评分分歧和针对性刷榜问题。