你看到的那个第一，尺子是前一天换的
Hello，我是飞飞。
先问你一件事：你现在每天用的那个模型，是凭什么挑出来的。我猜不少人是看榜挑的。谁家发了新模型，榜单一登顶，新闻一转，心里就开始动摇。
如果你也是这么选的，那这两天的两件事，正好拿来验一下你那张表。
10 月 27 号，评测机构 Artificial Analysis 把自家的智能指数升到了第五版。10 月 28 号，Google 发布 Gemini 4 Carbon，在这张新榜上拿到 59 分，登顶。
这两天转得最多的是后面那条。我盯着的是前面那条。
新考卷出来的第二天，才有人考第一。这个第一，得放在新卷子的刻度上看。
先是换考卷，再是登顶
榜单这东西，说人话就是一份综合考卷。九项评测，分成四类，每类各占四分之一：知识工作、编程、科学、通用。每项打分，加权算出一个总分，范围 0 到 100。
v5 这次最大的改动在题目来源。考卷里六成换成了私题，或者答案不公开的留出题。官方原话是这么写的，六成的指数基于私有测试集或留出答案。
翻译一下：以前有些题在网上能查到标准答案，模型训练时可能已经见过；现在六成的题，模型没机会提前看。
理由不难猜。题目一旦公开，迟早被背下来。
公告里换掉了什么
具体换了几样，值得一条条看。每一处都影响你能拿到的分数。
先删了三道旧题。名字不用记，反正是被拿掉的东西。
新增两个。FrontierCode 2.0，是 Cognition 出的私有编码题，132 个真实开源仓库里的任务。每道跑三次，评分标准是「维护者愿不愿意合并你这份改动」。Terminal-Bench-Science，70 个终端里的科研任务，专家出题、专家审。
升级三个。HLE-Diamond 顶掉了原来的 HLE，一千道题，推理和知识各一半。AA-Omniscience 删掉了饱和题和公开题。CritPt 砍成 40 道私题，全部带代码执行。
最后这一条我想单独说，因为它最能说明问题。
CritPt 原来的 70 道题里，有 30 道被剔掉了。理由写得很直白：这 30 道题，7 个前沿模型在发布时试了五次，全对。
五次全对，意味着这道题量不出差别。量不出差别的题留着没用，删掉。
一把尺子想量得更细，第一步是把量不出差别的刻度去掉。
同一个模型，五天掉九分
10 月 24 号，我写过一篇，标题是《三天前我立的 9 分之问，月之暗面交卷了》。那天我是从上往下数的：Opus 5.5、Sonnet 5.5、Opus 的高推理档、Muse。数到第五行，才是它，Kimi K3.1 Pro，55 分。我给它的判词是：和闭源旗舰之间那道 9 分的题，填平了。
今天这张榜上，同一个名字后面写着 46。
模型一个字没改。权重也还是 11 月 4 日才放。
那这 9 分去哪了。不是它的分掉了，是考卷换了，同一份本事在新卷上没那么够用。
我把能核到的跨卷前后值摆在一起。先说一句，AA 的公告里没交代这版有没有把所有老模型重跑一遍，所以下面这张表只能读成「榜上显示的值变了」，不能读成「我确认它们被重新测过」。
| 模型 | 旧卷 | 新卷 v5 | 变化 |
|---|---|---|---|
| Claude Opus 5.5 | 58 | 58 | 0 |
| Gemini 4 Argon | 53 | 50 | -3 |
| Kimi K3.1 Pro | 55 | 46 | -9 |
旧卷那一列，是我 10 月 14 号和 24 号两篇里记下的当时榜单值。写这篇前又回去核过。新卷来自 AA 的公告和模型页。
三个模型，同一场换卷，动了 0 分、3 分、9 分。
如果新卷只是统一把分数压低，这三个数应该一起往下走。事实是有一个一分没动。
打个比方。三个人原来挤在同一级台阶上，重新量一遍，一个没动，一个退了三格，一个退了九格。卷子并没有一起变难，是原来贴着站的那几个，被拉开了。
AA 自己给了同一件事的另一个说法。开源权重和闭源之间的差距，从 3 分扩到了 12 分。58 减 55 是 3，58 减 46 是 12，两个数对得上。
我 10 月 24 号那句「9 分填平了」，在这把尺子上不成立，得改成 12 分。
有人会说这是打脸。我不这么算。那把尺子当时就在往上走，这句话我自己在文里写过。我没料到的是它走得这么快，三天就换了卷。
真要挑我自己的错，错在把「当下的尺子」当成了「不会动的尺子」。这篇讲的恰恰就是这件事。
领先一分，占了两格
说回登顶。
59 分，第二是 Claude Opus 5.5 的 58 分，第三是同一个 Claude Opus 5.5 的另一个推理档，57 分。
一个模型占了第二和第三两格，这件事我 10 月 24 号拆过一次。按榜单条目数是第几行，按模型家族数是第几家。两个数都对，引用的时候得说自己数的是哪一种。
所以这个第一，领先的是 1 分。1 分在这张 0 到 100 的卷子上是什么概念，我没有误差棒可以直接比。要我读，我把它当成同一档。不把它当成压了一头。
还有一层。这个 59 是换卷第二天拿到的。上一版卷子上，同门的 Gemini 4 Argon 是 53 分。
这个第一你调不到
Carbon 登顶了，但你现在用不上。
Google 官方博客写得很清楚。这个模型目前只向一小批通过审核的网络安全防御方开放，走一个叫 Fairwind 的计划逐步扩。Google 同时说它参加了美国政府自愿性的发布前测试。面向开发者、企业、消费者的版本，给的说法是最快之后上，没有日期。
更硬的证据在这里。到今天为止，Google 没有公布这个模型的 ID，也没有公开可调用的接口。
对比一下同门。两周前发的 Gemini 4 Argon，现在在 Gemini 的 API 文档里是稳定版，模型 ID 就叫 gemini-4-argon，100 万上下文。
一个已经挂在 API 上，一个连 ID 都还没公布。
所以「世界第一」和「你明天能不能换上」，是两件不同的事。决定后者的主要是审核、合规和分发，分数只占其中一小部分。
七点七六美元一件活
AA 的模型页上还有几个数，Google 官方博客没提：
每任务成本 7.76 美元，51 个模型里排第 45，靠最贵那一头。
首 token 延迟 103.13 秒，同级中位数 3.72 秒。
103 秒别慌。这是把一堆思考型模型的耗时混在一起算的口径，不等于你问一句就要等 103 秒。但它至少说明一件事：这个模型是拿来长时间琢磨的，不是拿来陪你碎聊的。你要拿它做实时补全，方向就选错了。
同一天能对照的几个模型：Claude Opus 5.5 每任务 10.04 美元，GPT-6 Astra 6.24 美元，GPT-6.1 Sol 1.27 美元。
Sol 拿 55 分，比 Opus 的 58 分低 3 分，成本大约八分之一。
3 分对八分之一的价钱，这个交换我认。我流水线里那几道格式转换、打标签、查重初筛的杂活，正好是这个价位该干的活。
还有个价格口径要说清楚。Google 给的是介绍价，输入 2 美元、输出 10 美元每百万 token，介绍期之后变成 4 和 20。AA 页面上挂的是 4 和 20，也就是标准价。
所以那个 7.76 是按标准价算出来的，早期用上的人，实际花的可能更少。
我在 10 月 14 号那篇里给过一套读这类数的四步法。第一问就是「这个数用的是什么价」。今天这一问又用上了。
顺带一句：2 到 10 变成 4 到 20，这组数字和 10 月 14 号那篇里 Gemini 4 Argon 的价格表一字不差。十几天过去，同一张价格表又挂了一次。
看到登顶先问三件事
这套读法我这个月用了三回：10 月 14 号对 Argon 的促销价，10 月 24 号对 Kimi 的分数，今天对 Carbon 的登顶。三次都指向同一件事：数字本身不骗人。容易漏看的，是数字背后那版尺子。
下次再看到谁家登顶，先问三件事。
- 这份卷子是第几版。榜单有版本号，跨版本的分不能直接比。
- 领先多少。1 分和 9 分是两件事；同一个模型的两个档位占两格，又是另一件事。
- 你自己调不调得到，调到了划不划算。连 ID 都没公开的第一名，对你这周的工作没有任何改变。就算调得到，7.76 美元一件活、首字平均要等 103 秒，这活也得配得上这个价。
我自己的表也要改一行。
10 月 24 号我定过一件事：11 月 4 号 Kimi K3.1 Pro 权重一放，就接进 Claude Code 跑两天，看工具调用飘不飘。这个计划不变。
验收标准得改。原来我给自己划的线是「它离 Opus 差 3 分，值得试」。在这版卷子上，它离 Opus 差 12 分。3 分我会试，12 分我也会试。只是理由从「差不多追上了」，变成「看看差的那 12 分落在哪些活上」。
开头我问过你，现在用的模型是凭什么挑的。如果答案只是看榜挑的，那这篇文章想说的就一句。榜会换版，分不能跨版比，第一名也可能根本不让你用。
下次换模型之前，多问那三句。
你那张表里，哪个模型是当初因为跑分高才留下来的。评论区说一下它的名字，我帮你看看它在新卷上还剩几分。