“刷榜”模型真实表现不及跑分，业内等待 1017 与 3.1 Pro 翻盘

围绕大语言模型的讨论指出，一些针对 benchmark 优化的“刷榜”模型在实际发布和使用中的表现远逊于跑分。业内正观望 1017 与 3.1 Pro 两个版本能否扭转局面，同时对榜单成绩与真实能力脱节普遍缺乏信任。