先这样答
按能力域过一遍主流 benchmark，然后讲榜单怎么读。
通用语言与知识：MMLU 及其进阶版 MMLU-Pro，考多领域选择题，是历史最久的通用基线；GPQA 考研究生水平的科学问题，难度更高，用来区分头部模型。推理与数学：AIME（数学竞赛题）、各类逻辑推理集。代码：HumanEval 考函数级生成，SWE-bench 考真实 GitHub 仓库里修 bug，后者更接近工程实际。长上下文：大海捞针（needle in a haystack）类测试。Agent 与工具：SWE-bench 本身就是 agent 任务，另有 Gaia、tau-bench 这类考工具使用和多步任务的基准。中文能力：C-Eval、CMMLU 是常用参考。
榜单怎么读，三个坑必须讲。
第一坑：数据污染。题目进了训练数据，分数就虚高，尤其是公开多年的老基准。所以行业不断推新基准，看榜单要看题目是否够新。第二坑：应试特化。模型在 benchmark 风格的数据上针对性训练过，榜上高分、实际干活平庸，「分数好不等于好用」。第三坑：场景错配。你的任务是中文客服文案，MMLU 高分帮不了你，通用榜单和具体业务之间隔着领域、语言、任务形态三重错配。
正确用法：榜单用来缩小候选范围和看长期趋势（模型代际的进步是真实的），最终选型必须用自己的业务评测集复测。这也是为什么「建自己的评测集」在大模型岗位面试里反复出现：会用榜单，也要能摆脱榜单。
面试官会怎么追问
- 怎么检测数据污染？ 常用手法：把题目改写换皮后重测（分数断崖说明背过原题）、检查模型能否补全题目的后续内容、用不公开的私有测试集对照。
- Arena 类真人偏好榜怎么样？ 互补视角：真实用户盲测投票，不污染但测的是「偏好」不是「正确」，且用户构成有偏；和学术榜交叉看更立体。
- 自建评测集要多少条？ 起步几十条覆盖核心场景就能做版本对比，几百条能稳定区分小差异；关键是分布贴真实任务，且持续更新。
回答的坑
- 背一堆榜单名不带用法。每个榜单说清「考什么、什么场景参考它」才有信息量。
- 全信榜单或全不信。观点给全：榜单看趋势、选型靠自测。
—— 本题完 ——