一句话定义：模型评测的平均分陷阱（average score trap），指用单一平均分概括模型能力时，高分掩盖了它在某类子任务上系统性失败的现象。
一个班平均 80 分的三种可能
假设一个班平均分 80。第一种可能：全班人人 80。第二种：一半人 100，一半人 60。第三种：大部分人 85，几个尖子生 100 把分数拉了上去。三种情况的“平均 80”看上去一模一样，但如果你要选一个人去做那件“60 分就干不了”的事，只有第一种是安全的。
模型评测（benchmark evaluation）就是这样一个班。一个基准测试通常混合了数学、代码、阅读理解、多步推理等题型。把每道题的对错简单平均，隐含了一个假设：不同能力之间可以互相兑换——数学强可以抵消代码弱；代码强可以抵消长文本抽取弱。但真实业务里，能力恰恰不可兑换。你要用它写 SQL，它作文再好也补不回来。
更隐蔽的是对分布不敏感。100 道题错 20 道是 80 分；如果这 20 道全落在同一类任务上——比如全部是表格问答——那它在这类任务上的真实水平不是 80 分，是接近 0 分。平均分把“某一类能力彻底崩盘”和“每类都错一点”算成了同一个数，而这两件事对使用者的后果天差地别：前者是“别用”，后者是“凑合能用”。
和相邻概念的区别
| 概念 | 说的是什么 | 关键差别 |
|---|---|---|
| 平均分陷阱 | 分数真实，但聚合方式掩盖了结构性短板 | 问题出在“怎么汇总” |
| 过拟合 / 数据污染 | 分数本身虚高，不代表真实能力 | 问题出在“分数可不可信” |
| 方差大 | 结果不稳定，波动明显 | 问题出在“一次测量够不够” |
前两个常被混为一谈，其实一个怀疑分数，一个怀疑汇总口径。
对从业者和普通职场人的意义
做模型选型的，别只看排行榜（leaderboard）的总分。至少再看三样东西：分项得分（subtask breakdown）、最差的那一档、以及具体错误样本。先确定自己的关键任务是什么，再去对应子集上比，而不是反过来让平均分替你决定场景。
普通职场人看到“综合能力领先”这类说法，可以多问一句：这个“综合”是怎么算的，权重谁定的？具体的题目构成和评测配置，以官方页面为准。平均分是一个便于传播的数字，但它回答的是“总体大概怎样”，而你要回答的往往是“我要的那件事它行不行”。