基准测试（benchmark）是评估 AI 模型性能的核心工具，但近期围绕其设计、适用性及“污染”风险的讨论不断升温。
- 近期进展：
- NVIDIA 发布 Nemotron-3-Super 模型，在复杂法律任务基准测试中表现媲美闭源前沿模型，凸显后训练技术在专业领域的作用（NVIDIA AI）。
- 小参数模型 MiniCPM-V 4.6（1.3B 参数）在多个视觉基准测试中表现强劲，证明高效架构可缩小与大型模型的差距（向阳乔木）。
- 回顾性项目如 OpenAI Gym、Procgen Benchmark 等强调基准对 RL 及泛化研究的推动，其中 Procgen 提供 16 个可泛化环境以减少过拟合（OpenAI Blog）。
当前焦点在于基准测试的“公平性”与“生态影响”。一方面，模型常针对特定基准过度优化，导致真实场景泛化不足；另一方面，小模型在成本敏感场景中具有实用价值。未来需警惕 benchmark 污染，并发展动态、多样化的评估体系，如持续更新的对抗性基准或开放世界环境。