这项由加州大学圣地亚哥分校的江训益、常丁艺、朱利安·麦考利和徐鑫等研究人员组成的团队完成的研究，发表于2025年10月8日，编号为arXiv:2510.07238v1。感兴趣的读者可以通过该编号在学术数据库中查询完整论文。
当我们谈论人工智能模型的能力时，就像评判一个学生的学习成绩一样，需要用一套标准化的考试题目来测试。在AI领域，这些"考试题目"被称为基准测试。然而，加州大学圣地亚哥分校的研究团队发现了一个令人震惊的问题：我们用来评估AI模型的这些"考试题目"已经严重过时了，就像用十年前的地理课本来考今天的学生，问的还是"世界人口最多的国家是中国"这样的问题，而正确答案早已变成了印度。
这个问题的严重性超出了人们的想象。研究团队发现，在五个广泛使用的AI评估基准中，竟然有24%到64%的问题答案都已经过时。更糟糕的是，那些能够给出最新、最准确答案的先进AI模型，反而在这些过时的测试中被扣分，就像一个博学的学生因为知道最新知识而在老旧考试中失分一样荒谬。
这项研究的重要性在于，它第一次系统性地揭示了AI评估领域的这个盲点。想象一下，如果我们一直用错误的尺子来衡量物品长
