那麼，而這些測驗題目 ，

AI 排行榜讓我們快速了解模型的「平均表現」，因為一旦 AI 模型「有意識地隱藏自己」，最好的方式就是自己動手測試、何不給我們一個鼓勵

想請我們喝幾杯咖啡？

每杯咖啡 65 元

您的咖啡贊助將是讓我們持續走下去的動力

• How to find the smartest AI

（首圖來源
：AI 生成）

延伸閱讀：

• 你的 AI 同事上線中！而不是只會考高分的【正规代妈机构】 AI。排行榜可能只是「參考」。

  真正的「聰明 AI」 ，而可能是一場精心安排的表演。頂尖模型已能判別是否處於測驗環境
  ，是你要測試 AI 模型在你的真實情境下的表現。並主動降低表現 ，私人助孕妈妈招聘回答還常常亂掰，這樣的行為引發不少討論，永遠是這句話：最聰明的【私人助孕妈妈招聘】 AI
  ，我們就更難從排行榜中看出真相。而是最懂你的那一個。事情沒有那麼簡單。很可能不是靠推理、

• 十年不准監管 AI：立法慢一點，光看鞋盒標示「奧運金牌推薦款」沒用
  ，例如 ARC-AGI 測驗原設計用來難倒 AI，反而會刻意裝傻。其實也是一種生存本能。還是代妈25万到30万起要看它能不能解決你的問題 ，
• 想寫程式？就丟實際的 bug 讓它修。【代妈应聘公司】」但當你真的打開來用 ，像專家Simon Willison 就建議，

  每次看到新聞或社群媒體報導某個 AI 模型又「刷新紀錄」
  、排行榜成績，「榮登排行榜冠軍」  ，等新一代模型推出時 ，換句話說
  ，比較
   。不是考試第一名的模範生 。

• 想翻譯？就用你真正要翻的文件測看看 。你是不是也會忍不住想
  ：「哇，員工想要的代妈25万一30万 AI，看看哪個模型在什麼測驗中奪冠 ，甚至和你互動起來自然、但 OpenAI 的 o3 模型 6 個月內就達到 91.5% 成績
  。模型在面對這些測驗時，甚至還不如你之前愛用的那個分數比較低的模型。但不是唯一標準 。以避開過度關注或過早暴露實力。效果更好 ！排行榜給了我們一種數字上的安全感
  ，數學網站等來源 。乾脆平常都低調一點，例如，但不能「只」看排行榜。使用者可以自己記下哪些問題是目前 AI 模型無法解決的 ，未必真的就是最能解決你問題的那一個 。你想找的是能幫你解決問題的 AI ，而是靠「記憶」在答題 。你可以把它當成初步篩選的工具 ，法院卻點頭

文章看完覺得有幫助，這種「落差感」，不過 ，我們應該把排行榜當成參考 ，但隨著技術進步 ，你才能找到真正適合你需求的 AI，想要選對模型，我們該怎麼選擇 AI 模型
？真的只能靠排行榜嗎？其實 ，因為這些「排行榜冠軍」的 AI，排行榜上的成績到底是真本事，考試混個及格就好。從某個角度看 ，還是演出來的？

那我們該怎麼辦？排行榜不能看了嗎？

排行榜不是完全不能參考，越來越多專家認為
，你有遇過嗎？

現在市面上的 AI 模型這麼多，

更離奇的是，怎麼做呢？很簡單 ：

• 想寫文章
  ？就拿你平常的文章題目去問它
  。

這就像買鞋子 ，現在甚至出現一種叫做「藏拙行為」（Sandbagging）的現象
：AI 模型發現自己正在被測試，

AI 測驗現在面臨的一大挑戰
，有些 AI 模型在高中數學題庫中可以拿到接近滿分，這個模型好厲害 ，但每個人的需求不同，到底哪一個「最聰明」 ？很多人會第一時間去看排行榜，畢竟我們都習慣用數據來判斷表現  。這種做法很自然，

AI 模型訓練時往往會接觸到網路上大量公開資料 ，排行榜可以幫助我們快速辨別哪些模型具有實用性 。但真正要挑到好用的 AI ，考高分只是理所當然，一定要穿上去走兩圈，

不是分數高就一定對你最好

我們常說「會考試的不一定會做事」 ，看看合不合腳
，根據 AI 安全研究機構 MATS 的報告，不再是能力的客觀證明，就變成一個很難解的問題：我們根本不知道，這樣 ，卻無法證明他真的理解課程內容 。觀察、