猫老板测试 M3.1 Flash：旧题近满分、新题近零分，疑 Benchmaxxing

思维怪怪 @0xLogicrw原推发布于 2026.10.20

在 X 上打开原推

大模型评测博主「猫老板」测试 MiniMax M3.1 Flash 时也发现，模型在老题上接近满分，换成新题却接近零分。 模型平均每题要消耗数万 Token，但一些难题只用了约 1 万 Token 就能答对。这种反常的表现，让人怀疑模型是不是提前记住了部分题目的答案。 猫老板长期维护「致知」大模型排行榜，使用不公开的私人题库，主要测试逻辑、数学和编程能力。题库通常维持在 28 道题、270 个测试用例以内，每月更新部分题目，每道题测试 3 次，同时统计最高成绩和中位成绩。 这次 M3.1 Flash 的中位分数达到 51.76，比上一代 M3 的 23.86 提高一倍以上，接近最新 DeepSeek V4.1 Flash 1017 的 56.03。 大家怀疑，模型可能针对旧题进行了专门训练，而没有真正掌握解题方法。这种为提高评测成绩而专门优化模型的做法，被称为 Benchmaxxing。

这条是引用着另一条写的：「质疑 Minimax M3.1 Flash 在 AA Omniscience 上刷分，顺带提到 Gemini 4 Arg」