Text Arena 上的 GPT 模型排行能否代表真实的 Chat 水平？

Text Arena 上的 GPT 模型排名因明显偏低而引发关于人类实际体感的讨论。OpenAI 曾多次表示 Chat 端使用的模型与 work/codex 中的同名模型并非完全一致，且针对对话场景进行过特调。由于此类特调模型未对外提供 API 等接口，导致跑分网站无法对其进行有效测试。