幣界網消息，Meta首席AI官Alexandr Wang駁斥了AI研究機構SemiAnalysis的「刷榜論」，稱老測試早已飽和。SemiAnalysis指出，Gemini3.8和Muse Spark1.3是目前最明顯的「benchmaxxed」模型之一，分别在Terminal-bench2.1中获得89.4%和88.8%的成績，接近GPT-6BJWKEEP_00014__和Claude Fable5.1。然而，在剛發布的Terminal-bench4.0中，這兩款模型的成績僅為19.1%和33.3%。Wang認爲，Terminal-bench2.1已經飽和，無法有效區分頂尖模型，而4.0仍未飽和，且刪除了部分飽和任務並調整了測試條件。