8个AI模型拿到同一张梗图任务，题目是"我为什么要骗你"。第一轮分A、B两组，每组4个模型，各自把两个指定账号做进梗图里。现在，两组胜出的4个模型进入总决赛，重新做同一道题，由网友投票决定谁"做得更狠"。

投票选项只有四个字母：A、B、C、D。规则写得很清楚——一旦提交就不能更改。目前投票数显示为21票，剩余时间1天。模型名字不会立刻公布，要等投票结束24小时后才揭晓。

打开网易新闻 查看精彩图片

一场没人要求过的评测

Memebench的玩法并不复杂：给模型一张梗图模板，要求把@pingToven和@Audrey_Sage_两个账号放进画面。第一轮先跑A组，第二天跑B组，两组各自产出4个候选，再由观众投票选出"做得更狠"的那个。

有意思的是参与者的一句评价：这个没人要求过的评测，结果成了最好玩的那个。它没有跑分、没有排行榜、没有标准答案，评判标准就是"谁做得更狠"——一个完全交给人类直觉的维度。

从流程看，Memebench把模型能力测试做成了淘汰赛：8进4，4强决赛，投票定胜负。模型名字在决赛投票期间被隐藏，只以A、B、C、D代称，直到投票关闭后24小时才公布。这种设计让投票者只能凭作品本身判断，而不是凭对某个模型的先入印象。

为什么是梗图

梗图任务和常规评测的差别在于，它同时考察几件事：能不能理解"我为什么要骗你"这句话的语境，能不能把两个指定账号自然地嵌进画面，以及最终成品有没有"梗"的味道。这些都不是选择题能测出来的。

把评判权交给投票而不是打分表，也意味着结果没有客观标准。21票的样本量很小，但规则本身并不在意样本大小——它要的是"谁做得更狠"这个主观判断的集合。

决赛的四个候选已经就位，投票通道开放中，提交后不可更改。24小时后，答案揭晓。