按名字给 332 个模型排名，一分钟出榜，零 token

现代模型评测有四大顽疾：数据污染、基准饱和、推理成本、可复现性差。有个新仓库声称同时解决了这四个问题。办法说出来很不体面：它从不运行它评测的任何一个模型。

这个仓库叫 BenchMaxx，两天前刚出现在 GitHub，MIT 协议，零依赖，连 README 的徽章都写着「数据污染：不可能」。它把 OpenRouter 上全部 332 个可调用文本模型拉出来，按两个维度排座次：名字里的版本号，和名字的长度。副标题写得堂堂正正——「测量模型叫什么，而不是模型能干什么」。

我按它的复现步骤抓了一遍 OpenRouter 的接口：当前 461 个模型条目，63 家厂商，和仓库 10 月 10 日快照的 332 个（过滤掉别名、路由器和非文本模型之后）对得上。也就是说，这份榜单背后是真数据——只不过数据是名字。

榜首是个用日期当版本号的模型

Generation Index（世代指数）赛道的第一名，是一个叫 Pareto 26.10 Preview 的模型，版本号 26.1——它是拿年份加月份当版本号的。第二名 GPT-6.1 的 6.1，被它甩开 4.3 倍。我在 OpenRouter 上确认了这个模型真实在架，厂商名就叫 unbiased。BenchMaxx 的方法学文档里专门为它写了一节，标题是「古德哈特定律」：当一个指标变成目标，它就不再是好指标——你按版本号排名，厂商就会给自己起名叫 26.10。

Nomenclature Length（命名长度）赛道的第一名是 Gemini 3.1 Pro Preview Custom Tools，35 个字符。这个名字确实已经长到需要换气了。我顺手数了数当前接口里最长的模型名——一段 Google 的图像模型名有 56 个字符，不过它不输出文本，没资格上榜。

严肃的部分比玩笑更好笑

这个项目最好玩的地方，是它的「关键发现」全是认真统计出来的行业事实。

版本号通胀是真的：全行业版本号平均每年涨 0.45 个世代。涨最快的两家，StepFun 每年 +2.20，SpaceXAI 每年 +2.16——它们两年走完别人四五年的命名路。通胀的反面也真实存在：Meta 从 Llama 4 走到了 Muse Spark，名字里没有 Llama 了，世代数字从 4 跳回 1.x， velocity 直接转负（每年 −1.13）。我抓了 Meta 在 OpenRouter 的现役名单确认：Muse Spark 1.1、1.2、1.3，加上 Muse Wonder 和 Muse Glimmer，Llama 这个名字确实不在了。换名字等于世代清零——这大概是最优雅的「负优化」。

还有命名效率这种指标：o3，两个字符装下三个世代，效率 1.50，全场最高。方法学里甚至有一条「小数解释原则」，专门处理 Grok 4.20 的归一化问题——按十进制读，4.20 就是 4.2，所以它在榜单上排在自己的前辈 Grok 4.3 下面。至于那 12% 名字里根本没有版本号的模型，仓库给它们的类别叫「良心拒服者」，Cohere 和 Perplexity 两家的 GI 覆盖率是零，一个数字都不掺。

讽刺的靶子不是模型

FAQ 里有一条问答值得抄下来：「厂商能攻破这个基准吗？能，改名就行。和其他基准不一样的是，我们把这个写在了明面上。」

这句话是整个项目真正的锋利处。按名字排名显然测不出智能，但当版本号本身已经成为营销资产——6.1 要比 6 响亮，26.10 能吓住所有人——那么「按版本号排名」就是一面诚实的镜子：它量的是命名部门的生产力，而命名部门这两年确实很努力。这个仓库有协议版本号、有合规测试的 CI、有快照归档、有威胁有效性分析（threats to validity）——形式上的严谨，比许多真跑分但说不清测了什么的榜单还齐全。讽刺的最高形式是认真。

归属说一句：shuiyue-cmyk 的个人仓库，创建于 10 月 10 日，至今 0 star，README 双语。它不打算红，它打算准。全部评估一分钟跑完，不烧一个 token——2026 年，这大概是唯一一个永远不会被骂「跑不起」的评测。