围绕多模态模型与 Benchmark 的可靠性、统计显著性和体系评估。 https://polysight.bigmodel-eval.xyz/insights/ zh-CN 七个主流榜单的头部名次大多无法由聚合分稳定区分；任务定义、评测预算与来源口径，比单一排名更影响结论。 https://polysight.bigmodel-eval.xyz/insights/gui-agent-benchmark-audit/ https://polysight.bigmodel-eval.xyz/insights/gui-agent-benchmark-audit/ Sun, 18 Oct 2026 00:00:00 GMT