过去十年中，对抗鲁棒性研究产生了数百种防御模型，但文献几乎普遍孤立地报告鲁棒性结果：仅展示鲁棒模型的标准（干净）准确率和对抗准确率，而很少量化与对应普通模型（vanilla model）的差距。本文提出 VanillaBench，一个系统化的基准测试，明确揭示这一差距。针对 RobustBench 收录的四种威胁模型下的所有对抗训练模型，本文计算了其与 Papers with Code 中多个普通参考模型的准确率差异，参考类型包括所有条目、无额外数据条目、鲁棒模型发表年份的最佳普通模型，以及架构匹配的基线。对全部 186 个鲁棒模型的评估显示，相对于最佳普通模型的平均干净准确率差值范围为 -7.7 到 -29.5 个百分点；即使每条赛道最鲁棒的模型，与其同期普通模型相比仍落后 4.0 到 21.0 个百分点。架构匹配比较（隔离对抗训练的影响）揭示了 -3.5 到 -17.5 个百分点的平均差距；进一步限制为在完全相同的架构上已知普通准确率的模型时，差距缩小至 -4.0 到 -14.0 个百分点。这些结果表明，鲁棒性-准确率权衡比单个论文通常传达的要大得多。对于实践者和决策者而言，在真实场景中部署模型时，鲁棒性的准确率代价直接影响业务成果，而当前出版物并未提供评估所需的普通基线。本文认为，未来的鲁棒性评估应将普通参考准确率差距作为标准组成部分报告。该工作适合机器学习工程师、安全研究人员和模型部署决策者阅读。