众所周知，很多测试榜单都被刷爆了，导致跑分虚高实际体验拉胯。（点名AA榜第5的Muse Spark、DeepSWE短暂第一的哈基米、 
Livebench对标Astra Fable的梁子）。Terminal Bench 4是8月底更新的，各家暂时来不及刷题，姑且可以当做有参考价值，上面提到的三个模型在这个榜单确实分数暴降。想问问佬们现在还有没有别的榜单相对有参考价值的？