你猜怎么着？10月最后一周，全球AI圈最受关注的不是哪家发了新模型，而是一张榜单改了规矩。

中国开源模型的分数一片下滑，网上马上有人喊"被打回原形"。这事儿没那么简单，账得一笔一笔算。先说规矩怎么改的。

Artificial Analysis在10月27日发布智能指数第五版，六成题目改用私有测试集，每道任务的输出量中位数也从3.5万token涨到5.9万。

用军事上的话讲，以前是公开靶场、固定靶位，谁都能提前去踩点；现在换成了临时设靶的对抗演习，靶子在哪儿事先谁也不知道。

新加的科目也很硬。

FrontierCode 2.0由Cognition出题，任务都在真实开源仓库里完成，评分标准是人类维护者愿不愿意合并这次改动。考题从打单个靶子变成了连续几天的综合推演，链条更长，容错更少，以前靠背题攒下的分数这回带不进考场。

再看损失有多大。月之暗面的Kimi K3.1 Pro从55分降到46分，DeepSeek V4.1 Flash从45分降到32分，小米MiMo-V2.6-Pro少了16分，只剩30分。

一口气掉十几分，这已经不算正常波动了，差不多是一代产品的距离。最难受的是有对照组。

十二个已开源或宣布要开源的模型都掉了12到16分，Claude Opus 5.5却稳在58分。

已经放出权重的模型里，DeepSeek V4.1 Flash和GLM-5.3并列最高，都是32分，比榜首低26分，还排在Claude Haiku 5.5（36分）后面。人家的轻量款压过了我们的主力型号，这口气确实不好咽。

雪上加霜的是，v5发布的第二天，谷歌就推出了Gemini 4 Carbon，在新榜上拿到59分，以一分优势超过Claude Opus 5.5。

按32分算，已开源模型和榜首的差距已经拉到27分。

美国三家头部公司轮番上阵，一周之内又把天花板往上顶了一格。问题来了：这是不是专门冲着中国来的？

我的看法是，先别急着往阴谋论上扯。

Grok 4.7这次也跌了12分；谷歌自家的Gemini 4 Argon在旧版里是53分，到v5只剩50分。闭源模型同样挨了刀，只是伤得轻一些。

更能说明问题的是欧洲。Mistral在10月29日放出了万亿参数大模型Mistral Large 4的权重，AA认为它是中国以外最强的开源模型，打了26分，但仍比DeepSeek V4.1 Flash和GLM-5.3低6分左右。

换句话说，整个开源阵营都在往下掉，中国队依然排在开源阵营最前面。

这一点得掰扯清楚。所谓"打回原形"，原形到底是什么？

如果说的是"全球开源第一梯队"，这个位置一点没丢；真正被戳破的，是"开源已经追平闭源"这层窗户纸。这两件事要分开看，混在一起骂，只会自己先乱了阵脚。

话说回来，私有考卷也不是没毛病。The Decoder就指出，题目不公开以后，外人没法再检查题目本身有没有出错。

出题、判卷都是同一家，题目还捂着，公正与否只能靠机构的信誉担保。今天它挤别人的水分，明天谁来挤它的水分？这个问号得一直留着。

还有一个容易被忽略的变量：模型能"想"多久。分析人士发现，在v5里，允许模型思考的强度对分数的影响，比头部实验室之间的差距还大。

Carbon跑完整套测试输出了2亿token，大约是同类模型中位数的三倍，每道任务平均花7.76美元。闭源巨头本来就在用海量算力堆火力。

这就碰到了更深的一层：算力。这几年美国对华高端芯片出口管制一轮比一轮严，中国实验室训练要省，推理也要省。

题目公开的时候，还能靠巧劲补一补；到了比长链条、比深度推理的闭卷阶段，火力密度上的差距就更容易被放大。

这里面有算法的问题，也有硬件的问题。

当然，不能光找客观原因。单项成绩里也有亮点：Kimi K3.1 Pro在智能体测试Terminal-Bench 4.0上排全场第一，压过了所有闭源模型。

在FrontierCode 2.0上，DeepSeek V4.1-Flash拿到28%，是已开源模型里最高的。主力装备的底子是有的。

短板集中在哪儿？在新版"人类最后的考试"上，Kimi是37%，Opus是68%；在科研智能体任务上，Kimi是34%，GPT-6 Astra是63%，大多数开源模型连10%都不到。

差距接近一倍，相当于远程纵深打击这门课缺了一大块，改改提示词、调调参数是补不上的。

还有一个选择容易挨骂，我倒觉得值得尊重。

月之暗面在开源之前，把和网络攻击相关的数据从训练里拿掉了，有意压低模型的黑客能力。权重一旦放出去就收不回来，主动卸掉一部分弹药，分数难免吃点亏。

闭源厂商可以像谷歌那样，把Carbon先只交给网络防御方用，开源模型没有这道闸门。我的判断有几条。

第一，别再把榜单分数当KPI来刷，刷题刷出来的战斗力，一上实战就露馅。

第二，国内得建起自己的私有评测，贴近真实业务；标准一直攥在别人手里，就等于把靶场钥匙交给了对手。

第三，开源的护城河在生态和成本，没必要每张榜都去拼总分。第四条是心态。

过去一年，"追平美国"的说法喊得有点早，这次被泼一盆冷水未必是坏事。部队里常说，演习打得越难看，越能暴露真问题。

分数低不可怕，可怕的是分数低了还忙着找理由。接下来的观察点近在眼前。

月之暗面承诺在2026年11月4日前放出Kimi K3.1 Pro的完整权重。权重一旦公开，可下载开源模型的最高分就会从32分跳到46分，和闭源的距离立刻缩短一大截。

外部研究者到时候也能拿到权重自己复核，谁的说法站得住，一测就知道。回到标题那个问题：全球AI榜单换了标准，中国开源模型真被打回原形了吗？

我的答案是：挤掉的是水分，戳破的是"已经追平"的错觉，开源第一梯队的位置还在我们手里。这张跳水的成绩单要不要改写，就看11月4日Kimi的权重能不能按时放出来了。