10月12日Meta发布Muse Wonder模型，跑分亮眼。但开发者社区BridgeMind近期让其用代码制作3D熔岩灯时，模型仅生成红色圆柱体，引发“刷分”质疑，马斯克更下场回复“Hmm”暗讽。Meta首席AI官随后承认，3D空间推理确为已知短板，未作针对性训练。此次翻车折射出大模型过度依赖后训练与特定执行框架刷分的隐患。业内指出，当前Agent评测高分往往叠加了系统级优化，面对陌生任务仍易露怯。单一Benchmark分数难以全面反映模型真实水平，未来亟需更动态的评测机制来探明AI的能力边界。