AI 榜换难题：Gemini 3.8 分数跌到 19.7%

steve, zhang — Thu, 10 Sep 2026 23:10:54 +0000

2026 年 9 月 7 日，独立评测机构 Artificial Analysis 把智能指数升级到 v4.3，并用 Terminal-Bench 4.0 替换了此前的 2.1 版本。这一次例行换版，把几家大厂刚刚公布的漂亮数字打回了原形。

榜单上的集体跳水

换用更难的题目后，多个前沿模型的成绩出现断崖式下滑：

Gemini 3.8 Flash：从 87.6% 跌至 19.7%，下滑 67.9 分
Muse Spark 1.3：从 84.3% 跌至 33.3%，下滑 51.0 分
Claude Fable 5.1：从 91.4% 跌至 55.1%，下滑 36.3 分
GPT-6 Astra：在 4.0 版本上以 59.6% 位居第一

需要说明的是，这四款模型几乎在同一时间发布：Claude Fable 5.1 在 9 月 1 日，Gemini 3.8 Flash 与 Muse Spark 1.3 在 9 月 2 日，GPT-6 Astra 在 9 月 3 日。四家发布时列出的成绩，都建立在即将被淘汰的旧版测试之上。

官方 Terminal-Bench 榜单用另一套运行环境得出了相似结论：GPT-6 Astra 在 Codex 智能体中完成 58.18% 的任务，Claude Fable 5 在 Claude Code 中为 44.55%（整轮算力成本约 7300 美元），Gemini 3.8 Flash 只有 19.09%。

4.0 版本到底改了什么

Terminal-Bench 衡量的是智能体在命令行环境中完成长周期真实任务的能力，包括调试软件、运行数据管道、配置系统和通过自动化验证。

4.0 版本由 Harbor 框架团队在 2026 年 8 月 29 日发布，是一次刻意的难度加固。它包含 66 个任务，覆盖软件、机器学习、科学、运维、安全、硬件和媒体七大类。团队移除了 8 个任务：其中 2 个是因为所有最新模型都能 5 次全对、已经饱和，2 个涉及拒答问题，2 个答案在网上公开可见，2 个存在质量问题。同时修复了 19 个任务定义，并按 Anthropic 关于基础设施噪声的研究方法重新校准了处理器、内存和时间配额，还统一设置了 8 小时的智能体超时上限。

刷分还是题变难了

研究机构 SemiAnalysis 把这种现象称为「刷榜优化」：模型在某个特定基准上拿到惊人分数，实际通用能力却远不如此。这个词如今已成为评测圈的常用说法。

Meta 首席人工智能官 Alexandr Wang 公开反驳了这一框架，理由是分数大幅下滑也可能只说明新测试更难。这个说法有其道理——换版之后所有模型都在跌，包括表现诚实的那几款。

但排名的重排泄露了更多信息。在 2.1 版本上，Gemini 3.8 Flash 距离最好的模型只有 3.8 分，足以被包装成「接近前沿水平」；到了 4.0，它落后领跑者 39.9 分。更难的测试会压缩诚实模型的差距，同时暴露那些只擅长特定题型的模型。

各家公布的 DeepSWE 成绩也能说明问题：Claude Fable 5.1 为 67.4%，Gemini 3.8 Flash 为 73.7%，Muse Spark 1.3 为 75.4%，GPT-6 Astra 为 74.1%。但据 The Kaitchup 核查，这些表格里有不少竞品数值是直接引用其他厂商的公告或榜单，并非在相同条件下重跑。该机构的 Benjamin Marie 表示，智能体基准分数是整个评测系统的属性，而不是模型单独的属性。

在统一运行环境的 DataCurve DeepSWE 榜单上，Astra、Gemini 3.8 Flash、Opus 5 和 GPT-5.6 Sol 的成绩都集中在 73% 到 74% 区间，置信区间相互重叠。

运行环境能左右多少分数

比很多人以为的要多。已发表的研究显示，在智能体基准上，运行环境带来的差异在 6 到 24 分之间，这个幅度超过了多数前沿模型之间的差距。

SWE-agent 的研究者仅通过改变智能体与计算机的交互界面，就让同一个 GPT-4 Turbo 模型在 SWE-bench Lite 上提升了 10.7 个百分点。2026 年的系统性研究 Harness-Bench 发现，在相同的模型和任务池上，不同运行环境之间存在 23.8 分的总差距。Anthropic 自己的工程团队也记录到，仅基础设施和资源执行差异就能造成约 6 分的 Terminal-Bench 波动。

在这种背景下，把自家精心调优的跑分与从旧榜单上摘来的对手数字拼在一起，与其说是评测，不如说是营销。

该怎么选模型

这次风波给出的教训很直接：不要把采购决策压在单一测试的单一数字上。

可行的做法包括：在至少两个独立榜单上用同一版本基准交叉验证；忽略竞品数字来自其他厂商公告的对比表格；优先采用带私有任务集和版本化运行环境的测试；签订合约前先做小规模试点。