大模型排行榜到底哪个权威？

大模型

排行榜

权威

59 replies • 2026-08-05 16:57:59 +08:00

1

vzextreme

1 day ago

看厂商对哪家测评机构特调🐶

2

hiddendeerer

1 day ago

1

https://artificialanalysis.ai/leaderboards/models

3

cowcomic

1 day ago

arena 是匿名对比得分，这类稍微更偏向普通人的感官，我个人比较倾向这种竞技场排行的
其他数据集评测的主要还是看测试数据分布和泄露情况了

中文也有榜单
https://www.superclueai.com/homepage

4

tcper

1 day ago

9

看评分标准，
arena 就是通过匿名选择喜好，体现用户体验
llm-stats 是多个评分集的聚合
AA 自建评测集，这些集体现大模型对未知问题的推理能力

不过客观来说，llm-stats 的聚合更能体现全面成绩，因为就算刷烂的题目成绩很好也不错了，起码能覆盖日常遇到的问题，并不是大模型都要去解决未知问题。

5

lel020

1 day ago

牛马 agent 使用还是得看社区评价，什么跑分都靠不住，

6

Bootis

1 day ago

arena 都是 one shot 提示词任务，大型工程的复杂任务能力看这个榜单参考价值不大

7

fankcoder

OP

1 day ago

@tcper 感谢

8

opeth

1 day ago

我基本上就看 artificial analysis 和最强野榜 https://llm2014.github.io/llm_benchmark

9

wang93wei

1 day ago

我个人觉得 DeepSWE 这个更权威一些。https://deepswe.datacurve.ai/

10

klion

1 day ago

1

https://artificialanalysis.ai/leaderboards/models 里面重点关注这几个指标就知道，这些才是真正的模型智能

Terminal-Bench Hard

AA-Omniscience Accuracy

Humanity’s Last Exam

GPQA Diamond

11

xiaoxixi

1 day ago

好多排行站，之前都没关注过

12

soulflysimple123

1 day ago

看 https://artificialanalysis.ai/
我看 Qwen3.8-max 里面还没有

13

sillydaddy

1 day ago

我目前只看 arena ，它是基于两两比赛得到的，裁判是广大用户。

14

rich1e

1 day ago

排行榜上的权威与真实体验，一些情况下并不相符合

就像，在国产模型上使用 CC ，编程体验也还不错，但是遇到一些特定场景（视频分析 / 复杂逻辑推理），可能就不能工作

- 视频分析时，可能会用到 claude vision
- 复杂逻辑推理，会触发多个模型之间并行工作（ Opus / Haiku / Sonnet ）

以上这些，如果模型没有适配，CC 就无法工作

所以，大模型排行榜看看就好，权威也改变不了真实体验

推荐这个，https://x.com/karpathy/status/2083749667410727319

15

nakun233

1 day ago

当然是 DeepSWE 1.1

16

kuhung

1 day ago

我个人还关心价格，即性价比。到了当前阶段，模型提升带来的体验上升已经很难如年初 opus4.6 那样了。我自己写了一个 https://www.traktoken.com/ 用来比价。此外，开发过程中还发现国外金融机构在观测 token 支出指数，用来指导投资，所以复现了一个 https://www.traktoken.com/spend-index 。从落地页来看，后者目前占一半的流量。

17

sxbaixing

1 day ago

千问向来是跑分高，体验差

18

mmdsun

1 day ago via iPhone

论知名度还是 arena 靠谱

19

OumaeKumiko

1 day ago

竟然还没有人发东山奈央的😂 俺也不知道是否权威
[toyama nao - 知乎]( https://www.zhihu.com/people/toyama)

20

uncleroot

1 day ago

不知道有没有各种语言的“人味”排行。机器味太重了

21

wakarimasen

1 day ago via Android

权威这两个字令人困惑。

如果你要权威数据应该看厂商发布的第一方数据

22

Wcowin

1 day ago

具体场景具体分析吧，适合自己就是最强的。

23

jonsmith

1 day ago

编程方面不看好 Qwen ，跟 Gemini 一样，跑分高、编程能力不行。

24

cabudad

1 day ago

什么排行榜都没有自己亲身使用权威，好不好用了才知道

25

SeleiXi

1 day ago

让 gpt 找一些比较新+作者比较权威的 benchmark 调研一下，一般比较老或者比较有影响力的早就过拟合过了

26

ybybwdwd

1 day ago

@cowcomic arena 是可以刷的，可以用提示词试出是哪个模型

27

levn

1 day ago

普通人类评价早就已经没用了在大多数时候

28

jark006

1 day ago

我比较信 DeepSWE

29

Bootis

1 day ago

https://cursor.com/cn/cursorbench

30

escapefear

1 day ago

我奉行对标谁就用谁的原则

31

LK996

23h 59m ago

和手机评测一样，都是给够前就上的婊子，没有干净的

32

Znemo

23h 47m ago

1

哪个 Gemini 排名最低相信哪个。

33

William337

23h 47m ago

没有，需要自行判断，仅供参考

34

Haku

23h 41m ago via Android

arean 是竞技场天梯，分数有保障，但是仅限前端（编程是只有前端）

35

aes114514gcm

22h 53m ago

@OumaeKumiko 8 楼的 https://llm2014.github.io/llm_benchmark 就是 toyama nao 的网站。个人感觉比较准确。

36

JerryZhi

22h 40m ago

目前普遍思路是采集十几个排行榜求平均（或者加权）

37

cellsyx

22h 24m ago

比较符合个人体验的是 DeepSWE （不包括前端设计能力）

38

FlashEcho

21h 58m ago

根据使用场景来的，如果你的需求只是和模型聊聊天，当成高级版豆包，那 Arena AI 其实最准

39

Glauben

21h 14m ago

我有一个疑问，5.6SOL codex 明明是 258K272K ，为什么这些排行榜上都是 1.1M

40

Mandelo

20h 30m ago

没一个权威的，或者说测试的东西和你工作用用到的完全不是一个东西。

41

mingtdlb

19h 12m ago

arena 的 side-by-side 不是一样可以选哪个更好，但这个结果是否参与排名不懂得，如果参与，那就可以刷了。。。

我认为实际还是要自己测试，给一个任务，看哪个模型做的最合你意。排行榜随便看一个就行，一般都相差不会太多，比如 ds 在排行榜 1 是第十，在排行榜 2 就不会跑到第 30 去

42

NQ

16h 22m ago

那种修开源项目 PR 的可以看看，好歹能测出来一点工程能力，纯聊天或者写玩具项目的就算了。

43

crackidz

10h 26m ago

这几个都不准，基本上看看差不多

DeepSWE 相对比准一点点，但是不是全部

大模型的评测现在仍旧是一个复杂的评测过程，我建议你看的时候需要根据不同的能力：比如逻辑推理能力、代码编写能力、写作能力等分开进行对比。这些每一个侧重点都不一样，在不同场景会影响大模型在总体中的排名

44

crackidz

10h 24m ago

@OumaeKumiko 这个其实算是比较准的了，虽然实际体感略有出入，但不会很大：比如两个模型只差小几分或者零点几分，可能体感不太能区分出来

45

gdm

9h 21m ago

arena 对美国豆包、开源模型模型经常过度高估，有各种情感分数
gemini-3.6-flash 蠢炸了，给他写代码经常会导致我的 python 项目甚至点 main.py 直接报错，排名竟然还高于 gpt-5.5-xhigh ，但我用主流模型包括 gpt claude glm ds 这些都不会遇到这种问题，顶多写得烂一点，一些边界处理不好，这种问题我只在新加坡那个免费玩具 agnes-2.5-flash 遇到过
这排名甚至认为 gemini-3.5-flash-medium 都比 gpt-5.5-high 强，太可笑
还有他认为 deepseek-v4-flash-high 强于 claude-opus-4-8-thinking ，这点也是相当抽象的，ds 性价比很高，但写的代码质量还是不如 opus 4.8 的，这点我让二者同时写过一样的东西，然后交给 grok gemini 和 gpt 三家审查，结果都是 opus 的更好