The Wording Effect

BenchDrift 沿语言、指称、语用和结构四个维度生成保持答案不变的改写，再观察 GSM8K、MMLU、MATH-Hard 上八个模型的双向漂移。弱模型从改写中得到的正确答案多于丢失，强模型却相反，且强模型在榜单上越高，分数越依赖碰巧采用的措辞；模型之间还大体同意哪些改写最伤正确答案。由此看，单一 phrasing 的 benchmark 分数同时混入了模型能力和题面脆弱性。