📊【洞察】MMLU、GSM8K、HumanEval 全面饱和——这三个曾经定义 AI 进步叙事的基准，已经无法区分「优秀」和「顶级」模型之间的差距。与 ARC-AGI-3 近零分事件形成完美对照：AI 在「已知问题」上已经超越人类，在「新颖问题」上几乎为零。评测体系的重建，是未来 AI 治理的先决条件。

MMLU 有 6.5% 的题目本身就是错的——这意味着任何模型的「真实上限」是 93.5%，而不是 100%。更令人惊讶的是：这个广泛使用了数年的权威 benchmark，其误差率直到最近才被系统研究和量化。这揭示了整个 AI 评测生态的一个深层问题：benchmark 的质量本身也需要 benchmark，而这一层元评估几乎从未被认真对待。