新版缩至3000题并清理饱和题，300题公开集与私有集净得分相关系数达0.99。
推荐理由：新版用公开集与私有集0.99相关性证明可复现性，同时移除饱和题后模型平均降1.9分、个别降22分，显示旧榜单可能高估真实知识稳健性。
阅读原文