0% 成功率，零例外——一個乾淨到不能信的分數

在 ARM64 AI 工作站上跑一套 AI agent 評測，好幾週「這個模型就是不夠好」的數字，其實根本什麼都沒測到——負責評分的腳本自己一直在悄悄地當掉，連真正成功的那些嘗試也被算成失敗。

July 31, 2026

This article is also available in English: English version——內容相同，僅語言不同。

在一台 ARM64 AI 工作站上，針對一個本地模型跑一套標準的 agent 程式碼評測， 通過率停在一個可疑到不能再可疑的整數 0%，而且維持得比感覺上合理的時間還久很多。 零例外、沒有部分給分，摘要輸出裡也看不到任何像是錯誤的東西—— 就只是一個乾淨、一致的全面失敗，讀起來完全就像是「這個模型還不夠好」。 但事實不是這樣。真正壞掉的是評測本身的計分機制， 而且從第一個數字被相信的那一刻起，它就已經壞了。