斯坦福团队：基准得分越细越危险，LiveBench 18 个任务分让排名损失近翻两番

斯坦福团队发现，把 LiveBench 返回的总分换成 18 个分任务分数后，8 次提交内的平均模型选择损失几乎翻了两番（约 4 倍）。得分粒度是关键变量，细粒度反馈大幅放大了信息泄露。该团队还展示了随机提交路由器即可操纵模型排行、仅需 2 次提交就能"刷"出虚假冠军，并开源了供基准维护者自查反馈接口漏洞的压力测试工具。