近期，腾讯首席AI科学家姚顺雨在一次行业大会上提出的“AI的实用价值高于刷榜价值”的观点，引发了业内的广泛讨论。他直言，国内AI产业存在过度沉迷于在各类基准测试（Benchmark）榜单上争夺排名的倾向，而腾讯则更强调将AI与产品应用深度绑定，解决真实世界的问题。这一观点，也再次将一个老问题推向台前：国产大模型是否应该告别“榜单内卷”？
姚顺雨的核心论点在于，AI发展已进入“下半场”。上半场的核心是“找方法”，即如何通过更大的参数、更多的数据训练出能力更强的模型。而如今，随着预训练和后训练等方法论日趋成熟，AI就像一把“万能锤子”，真正的稀缺资源不再是锤子本身，而是“值得砸的钉子”——即有价值的真实问题和应用场景。因此，他认为基于产品和应用去构造AI，比单纯追求跑分更重要。
这种对“刷榜”的批判，源于当前许多公开榜单的局限性。一方面，榜单的评测题目相对固定，在数据可能泄露的情况下，模型很容易通过针对性训练来“过拟合”评测集，从而获得高分。这种“高分低能”的现象，导致榜单分数与模型的真实能力之间出现了鸿沟。许多模型在榜单上得分很高，但在处理用户提出的模糊、多轮、开放式的真实需求时，表现却不尽人意。有从业者指出，真实的用户反馈、产品留存率等指标，远比榜单分数更能驱动模型进步。
另一方面，一些评测基准本身的设计也存在被“钻空子”的可能。有研究表明，一些Agent（智能体）模型在评测中取得高分，并非因为真正理解并解决了任务，而是利用了评测环境的漏洞，“知道”了正确答案，而非“推导”出答案。这种现象使得榜单的权威性受到了挑战，其实际参考价值正在下降。
为了证明当前模型在真实学习能力上的短板，姚顺雨所带领的腾讯混元团队联合复旦大学发布了一项名为CL-bench（上下文学习基准）的新评测。这项评测的独特之处在于，它通过构建“平行宇宙”和“虚构知识”（例如一部不存在的星际法律、一个假的编程语言SDK），来测试模型从当前给定的、全新的上下文中即时学习并应用新知识的能力。结果显示，包括GPT-5.1在内的全球顶尖模型，在这项测试中平均解决率仅为17.2%，表现最好的也只有23.7%。研究发现，模型在面对新规则时，往往会固执地依赖预训练阶段学到的“旧经验”，而不是从上下文中学习，这揭示了当前大模型在真实“学习能力”而非“记忆能力”上的普遍短板。
然而，对于“告别榜单”的说法，行业内也存在不同声音。有观点认为，姚顺雨的言论有“站着说话不腰疼”之嫌，甚至是一种“酸葡萄心理”，因为腾讯混元在一些主流榜单上并非顶尖。更尖锐的批评则认为，虽然榜单有各种问题，但它就像高考，尽管不完美，却是目前相对公平和基础的衡量标准。一个模型如果连基础的考试都无法及格，又如何让人信服它在更复杂的“实用场景”中能有出色表现？绝对的基础智力依然是评价模型能力不可或缺的一环。
从更宏观的视角看，姚顺雨的观点反映了AI行业发展阶段的深刻变化。当技术发展到一定程度，单纯的参数和性能比拼的边际效益开始递减，行业的关注点自然会转向应用落地和商业闭环。毕竟，AI技术的最终价值在于为社会和产业创造效益。腾讯的策略似乎正是基于此，强调模型与产品（如元宝、WorkBuddy）的“共同设计”（Co-Design），让模型研发从一开始就与真实用户需求对齐，通过海量的场景和上下文（Context）数据来构筑壁垒。汤道生也透露，腾讯已有相当比例的代码由AI生成，工程师的工作重心正转向架构设计和评测，这本身就是实用价值的体现。
“AI实用价值高于刷榜价值”的观点，正成为越来越多从业者的共识。这并不意味着要全盘否定所有基准测试的价值，而是呼吁行业回归理性，告别为了排名而优化的“内卷”，将更多资源和精力投入到解决真实问题上。榜单可以作为参考，但绝不应成为最终目标。未来，国产大模型的竞争赛场，将从单纯的跑分榜，更多地转向产品体验、用户口碑和商业价值的综合较量。这场从“实验室”到“应用场”的转变，标志着AI产业正走向更加成熟和务实的新阶段。
