新基准实测：大厂大模型更稳健，新玩家包括中国模型更易刷榜过拟合

新基准实测显示，训练数据量较大的最新大模型在稳健性和减少刷榜过拟合方面表现更好，美国成熟厂商整体更占优势，中国等新玩家差距明显。补充实测还发现，Luna、DeepSeek Flash、GLM-Flash 等小尺寸“flash”版本稳健性更差；该结论仅来自单一基准。