真正的屠杀发生在一个叫 MathArena Apex 的榜单上。这是数学竞赛的“地狱模式”，里面的题目充满了复杂的陷阱和极度晦涩的逻辑。在这个榜单上，包括 GPT-5.1 在内的所有顶尖模型，得分都在 1% 上下徘徊——这说明它们基本是在瞎蒙。