Anthropic公布的Benchmark，Opus 5几乎全线领先Fable5，价格只有一半，看起来是不是香爆了？但是实际用的人都知道，Opus5的各种表现和Fable5相比还是有明显差距的，显然不是A社为了故意刷分。 
benchmark 的测试，都是有标准答案的，可以评分的标准。 
但是人的实际体验感，很难量化成标准，比如分寸感，什么以后该反驳我，任务什么时候该停下来问一下我的意见？以及猜意图准不准、废话密度多不多。这些东西几乎没有能规模化跑的自动评测，所以训练信号里的权重就低，最后造成了高分低能。 
现在主流的可验证奖励（RLVR）刷分很有效，但副作用是训出表演式努力：先铺垫再干活、把简单请求做成分点报告、给一堆用不上的备选方案。这些在评分里不扣分，甚至因为"看起来充分"而加分，AI实验室重视的就是这个结果能不能拿更高的分、更高的权重，人类的偏好在那里面几乎没有什么权重，或者权重很...