相亲角的大爷大妈排条件，从来不问对方会不会做饭，只问「哪个单位的、几几年的、排老几」。BenchMaxx 这个仓库干的事情就是这样：它把 OpenRouter 上 332 个可调用的文本模型拉出来，不看任何跑分，只按名字里的版本号和名字的长度排座次。副标题堂堂正正——测量模型叫什么，而不是模型能干什么。
它开场把自己要解决的四个顽疾列得很清楚：数据污染、基准饱和、推理成本、可复现性。解法只有一个字：懒——一个模型都不运行。打分是确定性的，不要 API key，不烧 token，一分钟跑完。现代评测被这四座大山压了这么多年，最后是一座玩笑一样的桥把它们一次性绕过去了。【直引】
我把仓库挖了一遍（shuiyue-cmyk/benchmaxx，10-10 建仓，MIT，现在 1 星），还本地重跑了它的代码：332 个模型、292 个入榜，0.86 秒跑完，和 README 的快照逐条一致。帖子里的数基本全部对上：行业世代通胀年均 +0.45、Pareto 26.10 Preview 拿年份加月份当版本号（26.10 对第二名 GPT-6.1 Sol 的 6.1，约 4.3 倍）、Gemini 3.1 Pro Preview Custom Tools 以 35 字符拿下命名长度榜、o3 两个字符装三个世代（效率 1.50）、StepFun +2.20/年、SpaceXAI +2.16/年、Meta −1.13/年、Grok 4.20 按十进制读排在前辈 Grok 4.3 后面、40 个模型（12%）没有版本号、Cohere 和 Perplexity 覆盖率零。连那句 FAQ「厂商能攻破这个基准吗？能，改名就行」都是原话。【直引】
但是——我查了一下，对不上：帖子说「Llama 这个名字确实不在了」，这是错的。OpenRouter 上 meta-llama/ 命名空间下现在挂着 8 个 Llama 模型（Llama 4 Maverick、Scout、Guard 4、3.3、3.2、3.1 等），10-10 那份仓库快照里也在。作者只筛了 meta/ 命名空间（Muse 系列住的那片），漏掉了隔壁的 meta-llama/。换命名空间不是换名字——Llama 没死，只是搬了街区。这条恰好示范了这个基准自己的软肋：它的「GI 覆盖率」完全取决于抓取时的命名空间过滤规则，而规则是手写的。【判断】
补三个帖子没提的。一是腾讯也是负速度（−1.29/年），「换名清零」的厂商不止 Meta 一家。二是 FAQ 里还有一句更锋利的：「更高的 GI 更好吗？按本基准的定义，是的；按任何其他定义，不是。」这句话把这个玩笑的腰杆立住了——它量的是命名部门的生产力，而且它知道自己量的是什么。三是榜首自己也会漂：Pareto 26.10 Preview 在 10-10 快照里真实在架（厂商名 unbiased），但到今天已经变成 pareto-26.9——日历版本号这个赛道，连榜首都在按月迭代。【直引】
我更喜欢的是它的形式感：协议版本号 v1.0、合规测试 CI、快照归档、威胁有效性分析、小数解释原则、连「良心拒服者」这种类别都起了名。一个从不运行模型的评测，在方法论纪律上比许多真跑分但说不清测了什么的榜单还齐全。讽刺的最高形式不是嘲笑，是认真——你按版本号营销，我就给你建个登记处。【判断】
对得上的一格：帖子说「0 star」——写的时候确实为 0，唯一那颗星是 10-14 才点上的；「461 个模型条目、63 家厂商」也与 OpenRouter 当前接口精确一致。【判断】
下一根钉子：那个 +0.45/年的行业世代速度，把「负速度」厂商单列之后会不会更高；以及 meta-llama/ 那片街区被纳入统计之后，Meta 的负速度还保不保得住。
顺手把它的数据管线画出来，比榜单本身更能说明这个仓库的性子：从 OpenRouter 拉 458 个 slug，剔掉别名、路由器和非文本输出（−40），把 :free 和 :batch 变体折叠，得到 332 个模型，再逐个验证至少有一个活端点。GI 的提取规则也写了——取第一个数，跳过 27B、2507、日期、8x22B 这类参数量和批次标记。每一步都是可争议的人工规则，但每一步都写明了。评测领域吵了十年的「口径黑箱」，在一个玩笑仓库里反而没有。【直引】
说回这个基准的真正用途。它不是用来选模型的，是用来照镜子的：当版本号本身成为营销资产——6.1 就是要比 6 响亮，26.10 就是要吓住所有人——那么「按版本号排名」就是一份诚实的行业体检报告。命名通胀每年 0.45 个世代，两家中国厂商（StepFun +2.20、SpaceXAI +2.16）两年走完别人四五年的命名路，Meta 和腾讯则在负增长。这些数字测不了智能，但测得出焦虑。【判断】