极限跑分的代价：Google Gemini 4为何在基准测试拿高分却在真实工位受挫

一个能在标准化软件测试里拿到 77.9% 顶尖成绩的 AI，为什么一进真实工位连前端界面都做不好？

Google 刚刚发布的旗舰模型 Gemini 4 Argon，正在把这种反差摆上台面。

在官方给出的数据里，这个新模型的规格几乎拉到了顶格。 单次最大输出长度扩充到 100 万 token。 在衡量真实软件工程能力的 DeepSWE 基准测试上，跑分达到 77.9%。 在网络安全漏洞挖掘的 CWE-bench 测试上，命中率达到 68%。 每百万输入 token 定价 2 美元，输出 10 美元。

无论怎么看，这都是一份顶级的高考成绩单。

但彭博社与 The Information 披露的内部情况，却呈现了另一种截然不同的画风。 多位参与早期内部测试的 Google 员工表达了疑虑。 当工程师把模型接入日常的真实开发流程，让它去处理复杂的前端界面设计或多模块联调时，模型经常陷入逻辑卡顿和输出幻觉。 在标准测试集里行云流水的推理，一遇到脏乱差的工程代码库，表现就迅速下滑。

硅谷的工程师给这种现象造了一个新词，叫 Benchmaxxing，也就是极限跑分。

这种现象的发生有一条非常明确的工程因果链。 过去一年里，为了在各大排行榜上夺冠，研发团队在后训练强化学习阶段，把大量的算力和奖励模型集中定向喂给了公开测试集。 基准测试就像标准化考试的真题卷。 题目往往是在隔离沙箱里运行的，上下文清晰，输入输出边界明确，甚至连验证答案是否正确的自动化断言都是固定的。 模型在强化学习的反复试错下，学会了极其精准的应试技巧。

但真实的软件工程完全是另一码事。 它没有被清洗干净的提示词，没有预设好的断言函数。 它充斥着第三方依赖的兼容性冲突、没写进文档的历史遗留代码、以及人类用户随口提出的模糊交互需求。 一旦离开标准化题库的狭窄分布，那些针对跑分精调出来的推理轨迹，就会在复杂的真实工程链条中瞬间失焦。

Google 并非没有意识到压力。 此前不久，团队刚刚因为实测性能不达预期，在内部叫停了筹备已久的 Gemini 3.5 Pro，直接将资源切换到代号 Argon 的这套架构上。 DeepMind 的负责人 Koray Kavukcuoglu 在面对外界质疑时回应，Google 的技术始终处于前沿阵地。

但这恰恰触碰到了当前人工智能评估的盲区。 古德哈特定律早就给出过警告：当一项指标变成考核目标，它就不再是一项合格的指标。 当行业把所有注意力都放在刷高公开榜单的百分比上，模型就变成了一个被过度应试训练出来的做题机器。 跑分数字越来越耀眼，工位上的工程师却依然需要花费大量时间，去帮模型清理它随手写下的混乱代码。