文章提到Meta提交27个变体选最优成绩。更具体的操作是：Meta实际提交的Llama-4-Maverick-03-26-Experimental是一个专门优化对话风格（回答冗长、堆表情符号）的实验版本，LMArena开启『风格控制』过滤后排名从第2跌到第5。这被称为『基准黑客』——厂商通过在基准测试环境中定制模型行为来骗取高分，而非真正提升模型能力。

LMArena的民主投票机制被质疑为『颜值即正义』。Surge AI对500组投票的分析发现：52%的获胜回答在事实上是错误的，39%的投票结果与事实严重相悖。用户倾向于选择更长、『看起来更专业』的回复，即使内容是胡扯。这意味着用竞技场排名选模型，本质是根据『人觉得谁像高手』而非『谁真的对』来投票。

旧基准饱和后的未来方向：一是『人类最后的考试』（HLE）登上Nature，让主流模型最高分不到50%；二是CL-bench等新基准，锁定『测试知识必须不在预训练数据中』，迫使模型真正从给定上下文学习而非回忆。三是第三方实测（如SuperCLUE年度报告）和用户自建场景测试正成为行业共识。关键的拐点信号是：当厂商发现刷榜无法转化为用户留存时，测评体系才会真正进化。

厂商刷榜与出题方利益勾连问题无解：SuperCLUE顾问名单中有科大讯飞联合实验室研究员，LMArena获a16z融资后变为营利实体。真正值得追问的不是『哪个榜单更权威』，而是：当所有主要评测机构都有商业股东或合作方时，谁的评测结果是不可收买的？是否有非营利、多利益方共治的评测体系（类似ICANN之于互联网）在筹建？