同一个大模型，早上测和晚上测，成绩可能并不一样。LLM Benchmark——用固定任务和规则衡量大语言模型能力的测试——通常只给出某一时刻的快照；但生产 API 的后端会更新，模型生成本身也有随机性。于是，一次跑分领先，未必真代表模型更强。
AIStupidLevel 开发者 ionutvi 自述分析了 31,352 个小时级跑分，覆盖 49 个模型标识，以及编程、深度推理和工具调用等任务。每项任务重复五次再汇总，提示词、评分逻辑和 API 参数尽量保持一致；编程答案还会实际执行。结果显示，同一天内的分数波动为 2.8 分，不同日期之间则为 8.4 分，约是前者的三倍。
这项分析的实用提醒是：小时级涨跌更可能混有正常噪声，持续数天的变化才更值得警惕。作者因此用每日中位数和连续变化点检测来识别性能漂移。上述数据来自系统开发者本人披露，材料未提供独立复核结果。