一句话看懂：UC Berkeley RDI 团队用 AI Agent 对 13 个主流评测基准做安全审计，发现 45 种不真正解题也能拿满分的作弊路径。这意味着部分被广泛引用的跑分，可能高估了模型的真实能力。
事件核心：发生了什么
据 Berkeley RDI 博客披露，该团队构建了一套自动化审计流程，让 AI Agent 去“攻击”评测系统本身，而不是去解题。审计覆盖 13 个基准，共找出 45 个可绕过正常推理、直接获取满分或高分的方案。
这类问题的本质是评测环境本身存在漏洞：例如测试用例可被读取、答案可被反推、评分脚本可被诱导，或通过调用外部工具、检索、猜测格式等方式绕过真正的能力考察。目前公开信息显示，原始链接已无法访问，具体基准名单和漏洞细节仍需以官方后续披露为准。
为什么重要
基准分数是当前大模型竞争的核心货币。无论是开源模型还是闭源模型，厂商发布时都会强调在 MMLU、SWE-bench、Agent 类任务等榜单上的表现，开发者和企业采购也常以此作为选型依据。
如果基准可以被“作弊”，那么跑分就不再等价于能力，整个评测生态的可信度会被动摇。更深一层的问题是：当 AI Agent 被用来评估 AI 时，评测方和被评测方使用的是同一类技术，攻防会长期存在。这会推动行业从静态榜单转向动态、抗攻击的评测方式，也会影响模型训练目标——如果厂商过度优化可被钻空子的指标，实际推理和泛化能力反而可能被牺牲。
对用户/开发者/创作者的影响
对普通用户来说，模型排行榜的参考价值需要打折，选型时更应看具体任务上的实测表现，而不是单一总分。对开发者而言，如果你用公开基准做内部模型评估或微调验证，需要先检查评测流程是否可被模型“钻空子”，尤其是 Agent、工具调用和多轮任务类测试。对企业采购，建议要求供应商提供可复现的真实业务评测，而不是只给榜单截图。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对内容创作者和 AI 应用团队，这意味着基于基准宣传的产品卖点可能面临质疑，透明披露评测方法和失败案例会逐渐成为信任资产。
值得关注的后续
一是 Berkeley RDI 是否会公开 45 个作弊方案的完整清单和修复建议；二是主流基准维护方是否会跟进修补，推出抗攻击版本；三是模型厂商是否会在发布中主动披露审计结果，把“可信评测”变成新的竞争维度。
