刷榜已经成了大模型厂商的公开秘密

OpenAI 明显在死磕 GPQA Diamond，而 Anthropic 则把重心放在了 Humanity Last Exam 上。结果显而易见：GPT-5.6 在 GPQA 上拿高分，Opus 5 则在 Humanity Last Exam 刷到了顶峰。

这种现象其实挺有意思，模型能力在提升，但这种提升在很大程度上是被 benchmark 引导的。这就好比学生为了应试而刷真题，分数虽然上去了，但实际在复杂、非标准的实战场景中，这种针对性优化带来的性能提升到底有多少，还得打个问号。

现在的局面就是：

• OpenAI 路径： 侧重于攻克像 GPQA 这种极高难度的专业知识问答，追求逻辑推演的极限。
• Anthropic 路径： 倾向于在 Humanity Last Exam 这种综合性极强的测试中证明自己的“通用性”。

对于咱们开发者来说，看这些跑分时得留个心眼，不能单纯觉得哪个分数高哪个就强。建议在实际部署 AI Agent 或构建工作流时，还是得用自己的私有数据集做一遍压力测试，毕竟刷榜的分数不代表在你的业务场景里能跑通。