大模型评测表九成是空格：不跑测试，用同能力基准间的显式校准补出71%的缺失分数

公开榜单上的模型×基准分数矩阵大部分是空的，benchgap把空缺格子当作可估计量，用已测分数直接补出估计值，而不必再跑一次评测。 在汇总的401个模型与146个基准版本中，实测格子只占8.3%，中位基准版本只有16.5个模型有分数，因此需要完整矩阵的能力画像与模型选择都从缺失数据开始。 在遮住15%实测格子的端到端留出测试中，流水线填出71%的被遮格子，平均绝对误差4.6个百分点，比同一批格子上的秩2矩阵补全基线的5.9个百分点低23%。

每个估计都能追溯到一条具名的源基准到目标基准的校准曲线，而不是来自一个全局隐空间模型。 此前的矩阵补全与缩放律方法在隐空间里做一次全局拟合，只报告一个聚合误差；这里每条校准只在一对同能力基准之间成立，并自带留一交叉验证误差。 快照中存有1,147条单变量校准，中位R²为0.71、中位留一误差5.1个百分点；另有21条多变量映射，中位留一误差1.9个百分点，但只承担了1.4%的估计。

估计值按置信等级分层发布，等级越高，实测误差越低。 留出测试中高、中、低三档的平均绝对误差分别为3.1、5.1和7.5个百分点，说明按声称误差排序与按实际误差排序一致。 但同一测试中实际均方根误差是所声称留一均方根误差的1.4到1.7倍，高置信档的实际均方根误差5.1个百分点已超过定义该档的5个百分点阈值。

同一基准在不同评测框架下给出的分数并不一致，这种差异在智能体型基准上最大。 在条目集已核对的同基准版本对上，智能体型基准平均相差8.7个百分点，无工具基准为2.3个百分点。 在Humanity’s Last Exam上开启工具后，两种设置都测过的11个模型分数全部上升，平均提高10.0个百分点，符号检验p=10⁻³。

演示范围是一个数据快照：401个模型、146个基准版本、4,887个实测分数，全部数字对应2026年10月8日检索的数据。适用读者是需要跨榜单比较模型或做模型选择的研究者与工程师，估计值只针对具体基准版本，即预测该来源的评测框架会测出什么。

留一误差是跨曲线族与映射选出的最小值，因此偏乐观，留出测试中实际均方根误差为声称值的1.4到1.7倍，且尾部较重。留出格子来自与拟合数据同分布且偏容易的一端，按发布矩阵的置信构成重加权后，一个已发布估计应预期的误差约为5.9个百分点平均绝对误差。对只有一两个实测分数的稀疏模型，流水线只填出19%到26%的剩余格子。多变量映射在样本外未复现其更低的样本内误差，被报告为尚未证实。