近期大语言模型发布后，社交媒体上出现大量相同类型的演示，包括Minecraft重建、MS Paint绘画和SVG动画等。然而评论指出，这些演示基准测试存在根本缺陷：它们是固定、众所周知的目标，可被AI实验室通过针对性优化完美解决，因此衡量的是准备程度而非真实能力。研究表明，实验室可在8周内对这些测试进行过度拟合。