Bão hòa điểm chuẩn là một hiện tượng trong đó, khi hiệu suất của các mô hình AI được cải thiện, điểm số của các mô hình hàng đầu trong các điểm chuẩn chính vẫn giữ nguyên điểm cao trên toàn diện, khiến không thể phân biệt được sự khác biệt về hiệu suất giữa các mô hình.
Độ bão hòa điểm chuẩn đề cập đến trạng thái trong đó điểm số của các mô hình hàng đầu trong các điểm chuẩn chính như GSM8K và MMLU đạt từ mức thấp 90% đến gần điểm đầy đủ và sự khác biệt về điểm số giữa các mô hình gần như không tồn tại, khiến không thể sử dụng chúng để đánh giá hiệu suất của chúng. Trong ngành, người ta nói rằng khi một điểm chuẩn nhất định trở nên bão hòa, tiêu chuẩn đánh giá sẽ được chuyển sang các điểm chuẩn khó tương thích hơn (MMLU-Pro cho MMLU, MATH cho GSM8K, v.v.). Cạm bẫy trong hoạt động thực tế tính đến năm 2026 là chỉ nhìn vào điểm bão hòa của các tiêu chuẩn cũ và nhanh chóng kết luận rằng “tất cả các mô hình đều giống nhau và không có sự khác biệt” và bỏ qua những khác biệt thực sự hiệu quả trong lĩnh vực này, chẳng hạn như tốc độ suy luận, chi phí và độ chính xác của ngôn ngữ tiếng Nhật. Sau khi bão hòa, ngày càng có nhiều trang web đưa ra lựa chọn dựa trên các chỉ số không chính xác như độ trễ và hiệu suất chi phí thay vì sự khác biệt về số lượng. Ngoài ra, các đánh giá tiếp theo đối với các tiêu chuẩn mới, khó khăn hơn đòi hỏi chi phí về thời gian công và phí sử dụng API, do đó, đối với các hoạt động nội bộ, nó được cho là được áp dụng rộng rãi như một phương pháp lựa chọn tại hiện trường để trước tiên chuẩn bị một bộ đánh giá ban đầu quy mô nhỏ gần với nhiệm vụ nội bộ và giới hạn điểm số của các băng ghế có mục đích chung chỉ ở mức giá trị tham chiếu thô.