同一个模型，换了个平台跑，基准测试成绩平均涨了15个百分点。这不是模型更新，是测试环境变了。

GLM 5.3 Flash 此前以 Ox Alpha 的名义在 OpenRouter 上隐身可用。有人拿它跑了 ARC-AGI-1 和 ARC-AGI-2 的公开任务，记录下当时的成绩。

打开网易新闻 查看精彩图片

换平台，分数变了

后来通过 Baseten 测试官方版 GLM 5.3 Flash 时，两个基准的成绩都出现了上升，平均涨幅为 15 个百分点。同一款模型，两次测试之间没有版本迭代的说明，变量落在测试通道上。

ARC-AGI 系列考的是抽象推理，题目对人类不难，对模型不轻松。这类基准的分数对推理链路、采样配置、服务端实现都敏感，换一条推理路径，结果就可能不一样。

隐身测试这件事本身

Ox Alpha 在 OpenRouter 上以匿名身份出现，是模型正式发布前常见的做法：先放出去跑真实流量，看表现，再决定怎么官宣。这次的不同在于，隐身版和官方版的成绩被放在一起对比了。

15 个百分点不是小数目。在 ARC-AGI 这种分数普遍不高的基准上，这个差距足以改变一款模型在榜单上的位置。至于差距来自服务端优化、推理配置还是别的环节，目前没有更多说明。

对开发者来说，这件事的实际含义是：看榜单分数时，得先看清楚那个数字是在哪条通道上跑出来的。