2026-09-15 错的是裁判，不是考生：AI评测的尺子裂了 一次专家复核让GPT-5.6的物理分数从47.3%跳到78.7%，模型没变，变的是裁判。我们可能既低估了AI的能力，又高估了它的可靠。 #AI评测 #基准测试 #评分器错误 READ MORE →