评测的「天花板」是怎么看的？内部门道在这

大模型榜单前十挤在同一个分数段，彼此只差零点几分，这份榜单就该被追问了：评测的「天花板」是怎么看的？题库难度存在上限，模型能力涨到接近上限时，分数饱和，榜单开始丧失区分度。这篇讲天花板怎么显形、饱和之后怎么办。

天花板是怎么显形的

信号有三：头部模型分数扎堆、题目通过率逼近满分、新旧版本分数差距收窄到与波动同量级。机制上，每套题的难度分布决定了它能分辨的最大能力跨度，超过这个跨度，再多能力增长也换不来分数增长。判断扎堆是波动还是真饱和，先排除解析环节的封顶效应——都满分时解析已无影响，见输出解析影响。

饱和还有区域性：一份综合榜单里，可能知识板块已经顶到上限，推理板块还有充足空间，整体看接近饱和，分板块看仍有区分度。所以判断饱和要看板块结构，别被总分掩盖。榜单方公布分板块的通过率与分数分布，读者才能自行判断哪些维度还在出信息、哪些已经失效。这种粒度的披露成本不高，多数榜单方有现成数据，缺的往往是发布习惯。分板块披露做得好的榜单，即使在整体饱和期也保住了实用价值；读者侧也可以自己动手，用官方公布的分项数据重组出有区分度的观察角度。数据的粒度越细，饱和期的回旋余地越大。粒度，就是饱和期的救生圈。

饱和之后榜单还剩多少信息量

头部失去区分度，中尾部仍有：对追平头部的模型，榜单不再敏感，对下游模型依然可用。但读者注意力集中在头部，饱和榜单的实际信息传递效率已经大幅衰减。秘塔AI搜索上检索评测解读时，会看到大量「又饱和了」的讨论，正是这个现象的注脚。

换题还是加深

两条路：换题库重开一局，代价是历史分数断档，可比性靠锚题维持，权重设计见榜单权重设置；或者在原题库内加深难度、增加过程分观测点，让现有分数结构继续出信息，做法见过程分机制。智谱清言团队在公开分享里倾向组合使用：小步加深维持连续性，攒够新题后整体换代。

读榜时怎么对待天花板

三个动作：看头部差距是否小于波动幅度，是则按并列理解；看榜单方是否公布题目通过率分布，公布者更可信；看宣传方是否拿饱和榜单上的微小领先说事，识别手法见分数话术识别。多维度呈现能部分缓解单榜饱和的失真，读法见雷达图解读。

不同任务的天花板高度差异很大：知识记忆类题目最容易饱和，多步推理类空间更大，开放生成类几乎难以触顶。读榜时先判断榜单主体属于哪一类，再决定分数差异怎么解读。拿知识类榜单上的并列推断「能力接近」，可能只是题目太容易；推理类榜单上的小差距反而更值得关注，参考价值更高。

饱和期也是评测方调整定位的窗口：与其在头部区分度上硬耗，不如把资源转向细分场景，垂直领域的小题集往往更能提供差异化信息。头部模型的进步需要有针对性的量尺，通用大榜的天花板效应恰恰提醒各方：量尺要跟着被测对象一起进化，一成不变的榜单注定被时代抛下。

天花板信号速查

• 头部扎堆：差距与波动同量级
• 通过率逼近满分
• 版本间差距持续收窄
• 应对：小步加深+攒题换代

评测天花板快问快答三则

• 饱和是坏事吗？：对榜单是危机，对行业反而是好消息，说明模型整体能力上了一个台阶。
• 怎么提前预判饱和？：跟踪头部模型逐版本分数曲线，增速持续放缓就是前兆。
• 换题后老分数就全废了？：留有锚题的榜单可以折算衔接，没有锚题就只能存档备查。