一句话定义：地板效应（Floor Effect）和天花板效应（Ceiling Effect）是同一件事的两端：测试太难时人人接近零分，太容易时人人接近满分，分数都挤在一端，测试就失去了区分能力，你无法据此判断谁更强。
打个比方。公司要给全体员工量身高，但只有一把两档的尺子：一档只会亮“不到 1.7 米”，另一档只会亮“1.7 米以上”。结果篮球队员全亮第二档，幼儿园小朋友全亮第一档，两个组内部谁高谁矮，一点信息都没有。这就是测评的困境：区分度（discrimination）不来自及格线，而来自分数能否散开。分数挤在天花板下（人人 98、99、100），叫天花板效应；挤在地板上（人人 3、5、8 分），叫地板效应。
在 AI 评测里，这两端各有各的样子。天花板效应最常见：一个基准（benchmark）用久了，前沿模型的分数一路逼近满分，前几名只差零点几个百分点，排名更像随机波动；这时榜单还在更新，但已经不再说明问题，业内叫榜单饱和（saturation）。地板效应则相反：任务过难，比如需要长链条推理、冷门知识或多步工具调用，所有模型都掉到接近随机猜测的水平，分数看着有高低，其实差异落在噪声里。还有一种容易被忽略的情况：如果下限不是 0，地板可能是抬高的。比如四选一选择题，啥都不会也能蒙对约四分之一，此时“接近随机基线（random baseline）”才是真地板；再比如“必须给出格式正确的答案才算分”，很多模型卡在格式上拿 0，测出来的其实是格式遵循能力，不是你想测的能力。
| 地板效应 | 天花板效应 | |
|---|---|---|
| 成因 | 题目太难、评分太严、下限被随机猜测抬高 | 题目太简单、训练数据已覆盖、上限受指标封顶 |
| 表现 | 所有模型都接近最低分或随机基线 | 所有模型都接近满分，差距极小 |
| 后果 | 差异淹没在噪声里，无法排序 | 榜单饱和，无法区分强弱 |
| 怎么发现 | 对照随机基线与人类基线；看分数分布 | 看分数分布与方差，而非只看均值；查是否数据污染 |
和相邻概念的区别。天花板效应不等于“模型已经达到任务性能上限（ceiling performance）”：后者指任务本身有个客观最高分，比如人类标注者之间也只有 85% 一致率；天花板效应说的是这把尺子量不出差别，换一把更难的尺子可能立刻分出高下。它也和训练数据污染（contamination）不同：污染是分数虚高的原因之一，天花板效应是虚高之后无法区分的结果。另外，地板、天花板讲的是“整份测试的分数分布”，不是单个难题答错。
对从业者意味着什么。做评测的人：样本难度要铺开，保留一批“难但可解”的题，报告时同时给均值、分布和方差，并标明随机基线与人类基线；如果所有人都满分或都零分，该换题了，别急着下结论。做选型的人：看到一个榜单上模型分数都贴近满分，先问“这榜还分得开吗”；看到全都低得离谱，先问“随机猜能得多少”。普通职场人：内部评测集也一样，如果随手抽的案例人人都过，它证明不了供应商之间有任何差别——你需要的是梯度，不是及格线。基准的具体口径与最新分数，以各官方页面为准。