Mark Tenenholtz：未饱和的旧基准，余量多半来自烂任务和烂评分

Mark Tenenholtz 认为，大多数超过 2-3 个月仍未饱和的基准，剩余提升空间多半来自任务本身写得糟糕、评分实现得很差或两者兼有，而非模型能力真有差距。他把这视为对当前 AI 榜单可信度的直接质疑。