中国AI模型在新排名中落后于Anthropic和OpenAI

知名独立评测机构Artificial Analysis最近大幅调整了AI模型测试体系，结果让不少人大跌眼镜：在更贴近真实使用场景的新标准下，中国开源权重模型与美国顶尖模型的差距从原来的3分骤然拉大到12分。其中，以公开权重模型中的领先者月之暗面Kimi K3.1 Pro为例，其得分仅为32分，而当时的总榜领先者Anthropic的Claude Opus 5.5则拿到58分。更值得注意的是，连Anthropic自家较小的Claude Haiku 5.5都超过了所有公开权重模型。这一结果直接动摇了此前市场的一个核心担忧——便宜、可自由下载的中国AI模型是否会侵蚀OpenAI和Anthropic的高价商业模式。 这次排名变化的关键，在于测试方法本身的改革。Artificial Analysis将大量测试题目转为不公开，防止AI公司针对已知考题进行专项训练。Snowflake CEO、前谷歌高管Sridhar Ramaswamy在X上点出了要害：“基准测试转私有的那天，开源模型差距就从3分变成了12分。到底是开源模型在追赶，还是测试在泄题？”这种针对公开基准“刷分”的做法，被微软CEO萨提亚·纳德拉等人称为“基准测试作弊”。当考题保密后，真实能力差距才暴露出来，尤其是在复杂科学任务上。开源模型阵营内部也有人承认问题存在，研究开源大模型的Trillium Labs联合创始人Nathan Lambert就表示，此前的指数确实“过于美化开源权重模型”了。 另一个被忽视的角度是实际使用量。软件开发公司OpenCode联合创始人Dax Raad通过分析开发者常用的模型调用平台OpenRouter的流量发现，前一天经由该平台的全部DeepSeek流量，大约只需一组英伟达高性能计算机机架就能承载，硬件成本约600万至700万美元。对于引发如此巨大关注的中国AI模型来说，这个算力规模小得令人意外。当然，OpenRouter只代表市场的一部分，不能完全反映开源模型的全部需求，但它至少提示：讨论“威胁”时，下载量和实际调用量之间可能存在巨大落差。对跨境卖家和AI工具用户而言，这意味着在选择模型时，榜单排名和真实场景表现之间的差距值得更谨慎地对待，而投资者对Anthropic计划IPO及OpenAI未来上市的估值逻辑，也可能因此获得更多支撑。