先说结论：这个基准照出来的不是「模型不懂 OpenTelemetry 语义约定」，是「懂了也不查」。
vigneshwar 那个 Semconv Drift，最有信息量的数字压根不在总榜上。13 个有 Know 成绩的模型，12 个在 Write 里写出过退役名称，而正确答案他们自己在 Know 问答里答得出来。一共 58 次。
Claude Haiku 4.5 最典型。Know 题问 http.method 现在叫什么，它答 http.request.method，对的。转头 Write 里写了五次 http.method。Claude Sonnet 5 在 db.system 上是同一个毛病。这两条我念了两遍才咽下去。
这不是知识缺口。是动作缺口。
答题是检索，写代码是生成。生成的时候它顺着训练数据里的形状往下接，中间没有那一步「这个名字现在还作数吗」的复核。所以考它全对，让它写它照旧写旧的。
整体数据先摆出来。
退役名称出现： 357 次（17 个模型里 16 个至少写了一次）
退役超一年： 297 次，83%
退役超两年： 238 次，67%
中位退役时长： 2.4 年
db.system 改名快两年了，12 个模型还在用，一共 24 次。rpc.* 是 2026 年 1 月才退的，也有 16 个模型写出来。
凭什么能烂这么久？旧名不报错。
删掉的 API 一编译就红。退役的语义约定名什么都不报，它静默失效。旧教程、旧代码、旧博客在训练数据里活得好好的，模型也就跟着活得好好的。作者自己往 OTel 的 Go 插桩项目里提过 14 个被合并的 PR，他说这类问题在代码审查里照样容易漏——这点我信，人眼也不核对名字版本。根因不是模型笨，是这个领域犯的错不会当场报错。
半修正那段，才该上头条
Fix 任务给一个 Go 片段，rpc.client.duration，单位毫秒，要求迁到 v1.44.0。正解是 rpc.client.call.duration，单位秒，数值还得换算。
17 个模型，全对的只有一个。
7 个模型改了单位、换了数值，名字原封不动留着。GPT-5.5 和 Gemini 3.7 Flash 更绝，直接把指标改写成 rpc.client.request.duration——这个名称，26 个规范版本里一个都没定义过，纯生造。😅
作者说半修正比不修更糟，我同意，还想再加一句：这是监控里最难查的一种坏。
按旧名查，数值小 1000 倍，看着像服务突然快了三个数量级；按新名查，什么都没有。两头都「有数据」，一头是错的，一头是空的，你盯着面板还得先怀疑是不是自己看错了。改一半比不改更难收拾！
一句版本提示消掉三成六，那为什么不默认给
这是我觉得最讽刺的一组。
7 个模型重复普通 Write： 156 → 166 （噪声约 6%）
同一组加版本提示： 166 → 94 （-43%）
全 17 个模型加提示： 357 → 230 （-36%），Write 均分 39% → 48%
提示内容就一句话：目标是 v1.44.0，2023 到 2026 之间有重命名和移除。
三成六的差距，就一行字！
所以这压根不是能力问题，是流程问题——你不告诉它去查规范，它就不查。
但这条也别当解药。加了提示，生造名称从 21 个涨到 31 个，Haiku 4.5 从 1 个涨到 7 个。旧名不再出现，它开始瞎编新的。版本提示是止痛片，不是疫苗。
有一件事我得认
我以为这轮全军覆没。
GPT-6 Astra 总榜 98%，退役名称 0 次。Know 和 Write 一致，Fix 全对，没有「知道新名还写旧名」的记录。唯一一个干净的。预期拉满被打脸，这次是往好的方向打。
所以这话我说清楚：不是「所有模型都不行」。是大部分模型的语义约定知识停在训练数据那一层，从来没接上「写之前先查一眼」这个动作。有一个接上了，说明做得到。
顺手记一笔钱的事。GPT-5.4 总成绩 76%，成本 0.10 美元；GPT-5.5 是 75%，1.36 美元。贵了十几倍，低一个点。
我不打算拿这个说 GPT-5.5 差，一次基准说明不了什么。但这组数摆出来就该有人脸红：新版本这三个字本身，从来不是涨价或者换主力的理由。定价页永远比 changelog 写得漂亮，账得自己算。
限制我得说
Write 只有 12 个案例。Claude Sonnet 5 那个 67%，95% Wilson 区间是 39% 到 86%，宽得能塞进去一头牛。重复跑还能让单个模型的 Write 成绩来回翻掉三个案例。
所以总榜后半段的名次别当真，前十之外的排名基本是在噪声里挑顺序。真正支撑得住的，是 Know 和 Write 之间那个落差——那是结构性的，不是抽样抖出来的。
锐评评分卡
这基准值不值得认真看？值得，但别看总榜，看那 58 次。
- Know 全对、Write 全错：全部信息量在这里，比排名有用一百倍。
- 半修正比不改更糟这条：建议直接抄进 CI 检查清单。只验名称有效、单位有效是不算的，名称和单位得当组合查，作者在评论区回的这句是对的。
- 版本提示能省 36%：成本一行字，收益三成六，没理由不做。
- 12 个案例撑起来的 Write 分数：看看就行，别拿它做选型依据。
值不值得现在跟？跟，但别跟榜单，跟那条 lint。在 CI 里对遥测名称和单位做一次确定性校验，一小时的事，收益比换任何一代模型都稳。模型换代你控制不了，lint 你今天就写得出来。