GDPval-AA 基准被指无效仍被引用

Ethan Mollick 批评 GDPval-AA 是糟糕的基准：AI 回答主观判断题，且由其他 AI 而非人类专家评分，缺乏有效性却仍被 AI 实验室引用。引用推文指出 Artificial Analysis 坚持 GPT-6 在该基准上真实任务得分低于 Kimi K3，而 OpenAI 对此保持沉默，或与测试评分方式有关。