汇总排名能抬高平均预测分，却带不走共同的科学错误。

CryptoSlate 报道的这项测试名为 Science Prediction Universe：把多个 AI 模型的排名结果汇总后，平均表现有所改善；但模型之间共享的科学错误并未因此消失，模型彼此的一致程度高于它们与现实的吻合程度。

· 汇总只改善平均分，无法自动纠正多数模型共同持有的错误。
· 该测试覆盖的是科学预测场景，报道未给出模型数量与具体误差数据。

如果你来设计这组测试，会先看单个模型的偏差，还是模型间的共识？