跳到正文
返回模型榜

排名怎麼算

綜合多家公開評測,瞭解排名背後的證據與方法。

0—100

共同的證據,清楚的順序。

綜合多家公開評測,在完整排名中儘量減少與已知成績的衝突。綜合榜和四類榜單都最多展示前 50 名。

共識指數把支持原排名的證據差異換算為 0—100,方便比較,不是正確率或能力差距的百分比。支持接近時可以同分,名次仍由完整證據決定。

  1. 01

    先確認,是同一個模型

    統一各家榜單的名稱和版本。同一模型的不同推理設定只選一個用作比較的設定,選擇規則預先確定,不挑最高分。匿名測試代號和混用其他模型完成任務的成績排除;已正式公開的 Preview 版本可以參加。

  2. 02

    讓真正測過的模型相互比較

    只比較同一評測中的真實成績。雙方都有公開誤差時,誤差範圍內的微小差異更接近平局,不當成確定勝負。沒有測到,就沒有這一場比較。

  3. 03

    先定評測權重,再彙總共同意見

    每項評測使用預先確定的權重。綜合榜至少要求三家評測機構、三個評測類型與三種專項能力;同一來源重複抓取或展示切片,不會憑空增加評測權重。

  4. 04

    尋找衝突最少的完整排名

    不同評測的意見可能衝突。我們選擇違背共同證據加權支持程度最少的一條順序,再單獨計算展示指數。缺測不補零分,也不猜測未公開的成績。

排名狀態怎樣理解?

排名較不穩定
改變評測組合、權重或誤差處理後,名次明顯變動,或有組合下資料不足、失去參評資格或對照未完成。排名須審慎解讀。
評測覆蓋未足
未被判為排名敏感,但已有成績的評測權重覆蓋未達 70%。不是模型仍在學習,也不是單純按評測項目數計算。
評測覆蓋較充分
未被判為排名敏感,已有成績的評測權重覆蓋達 70%。不代表模型最強,也不保證適合所有工作。

先判斷排名是否敏感,再按 70% 門檻區分覆蓋狀態。覆蓋指已取得成績的評測權重,除以該榜全部預設評測權重,不是評測項目數的比例。評測類型是按相關性分組,不等於獨立機構數。評測權重表示評測對排名的影響比例,並非投票人數,亦不同於可下載的模型權重檔案。開放權重不等於免費商用,請查閱官方許可。

來源資料更新時間指來源公開資料的時間;本站同步時間指本站取得資料的時間;實測日期指評測實際進行的時間,三者不能互相代替。

A BALANCED VIEW

綜合測試、真人盲選、專項評測,一起看。

綜合評測佔 30%,真人盲選佔 10%,各項專項評測合計佔 60%。新增評測先核對公開說明中的重疊關係,再從對應份額中分配;缺失份額不轉給其他評測。

  • 綜合評測30%AA Index
  • 真人盲選10%Arena Text · Arena 創作盲選
  • 編程與設計12%Arena WebDev · DeepSWE v1.1 · TapTap Maker · LiveBench · 編程綜合
  • 寫作與表達9%LiveBench · 語言與指令 · Creative Writing v3 · Longform Writing
  • 數學與推理12%LiveBench · 推理與數學 · FrontierMath v2 · Tiers 1–3 · FrontierMath v2 · Tier 4 · Chess Puzzles · Mystery Game Puzzles
  • 知識與事實6%SimpleQA Verified · GPQA Diamond
  • 視覺理解6%Arena Vision
  • 工具與辦公6%APEX-Agents 1.1 · τ³-Banking
  • 中文與多語言6%AA 中文/多語言
  • 行業專業任務3%Vals Finance Agent

編程、推理、知識、專業辦公分別尋找真實評測,分類分獨立計算。視覺理解與多語言證據繼續保留在綜合榜;調整分類名稱不會增加同一份成績的評測權重。綜合分不等於分類分的算術平均。分類通常至少有兩項有效評測、五個可比較型號才展示。知識目前由 Epoch 的兩套評測支持,並明確說明同機構的侷限。創作偏好、網頁開發等證據繼續用於綜合榜,首版不單設審美和寫作榜。

你可能還想知道

為什麼有的模型證據較少,也能上榜?
評測數量與能力是兩件事。綜合榜至少需要三家機構與跨能力證據。多數分類要求兩家機構,知識採用同一機構的兩項評測並明確說明。缺測不記零分,但仍可能造成偏差。
“排名較不穩定”是什麼意思?
刪去一項評測或一家機構、將單項權重上下調整 20%、或改變誤差處理後,名次範圍達到三名或以上、某些情景失去參評資格,或有對照未完成,就會提示排名較不穩定。詳情頁的情景範圍不是 95% 置信區間,不包含未知成績。
前面的模型一定在兩兩比較中獲勝嗎?
不一定。A 可能勝 B,B 勝 C,C 又勝 A。完整榜單要權衡這些衝突;非相鄰名次可能與單獨比較不同。數學最優表示按當前規則的總衝突最少,不表示已證明所有真實工作中的能力順序。
為什麼排名可能和我的體驗不同?
榜單彙集公開評測,反映這些證據支持的綜合能力。實際體驗還受產品版本、推理設定、工具環境和長任務穩定性影響。我們會用新評測檢驗舊排名;分數接近時,不應把一兩名之差理解成明顯強弱。
新模型什麼時候會出現?
ATech Hot 每天檢查四次上游結果。只有評測方實際發佈了新模型的成績,才能用於排名;網頁刷新、價格更新或我們的抓取時間,都不算重新評測。
某家榜單暫時打不開,會怎樣?
仍有效的來源快照可繼續使用。相同評測版本內,臨時漏行最多沿用最近七天已核實的記錄;仍在公開榜中保留的有效成績,不因數值長期不變被刪除。官方撤回、更正、換版會相應失效或替換,不保留歷史最高分。整輪計算失敗時保留上一輪有效榜及原時間。
綜合指數會和專項評測重複計分嗎?
我們根據公開的題庫與方法說明檢查重疊,並限制相關來源的總份額;無法確認的相關性仍是侷限。當前 AA 指數佔 30%;Arena 整體文本與創作專項共享原有 10% 真人偏好份額,各佔 5%。兩項有重疊投票,因此仍算同一個評測類型,不假裝是兩家獨立評測。
價格或速度會影響排名嗎?
都不會。價格只供你瞭解 API 的使用成本,統一按每百萬 Token 展示,並保留廠商官方來源。它不代表訂閱費用。
查看計算細節與當前版本

方法版本:2026.09-public-consensus-v15。採用加權不完整 Kemeny 排序。每對共同參評模型彙總共同評測的支持程度 M;目標是最小化所有被排反的共同評測的支持程度之和。整數優化返回最優狀態和目標上下界,只有完整通過驗證的結果才用於正式發佈。

雙方有明確標準誤時,共同評測的支持程度取 2Φ(分差 / 合成標準誤) − 1,預設零協方差;其他比較只取原始領先方向。未知誤差並非零誤差,小分差按序數處理仍是侷限。評測權重針對潛在模型對,覆蓋型號多的來源會使用更多比較位置,不能把名義預算解讀為最終名次的精確貢獻率。

展示指數保留原排序:逐對反轉相鄰模型的先後,允許其餘模型重排,計算最少增加的逆向共同評測的支持程度。沿原排名累加這些非負支持差,再相對固定參照組用 sigmoid 映射到 0—100。替代順序同樣最優時保留零間距,顯示保留一位小數,不人為設定最低分差。指數不參與反向排序;入榜集合、參照型號與證據變化仍會影響指數,分差不等於真實能力距離。同代價求解固定型號 ID 次序;整數優化使用 HiGHS 求解器(highs 1.15.3),誤差換算的正態分佈函數與 SciPy norm.cdf 採用同一算法;來源、協議、參評資格和每輪計算輸入均儲存版本。未連接到共同證據網絡時不發佈跨分量的假精確順序。

固定參照型號:claude-fable-5、gpt-5-6-sol、kimi-k-3、qwen-3-8-max、gpt-5-4、claude-opus-4-8、claude-sonnet-5、grok-4-5、gemini-3-5-flash、glm-5-2、claude-sonnet-4-6、qwen-3-7-max、kimi-k-2-6、deepseek-v-4-pro、qwen-3-6-plus、minimax-m-3、gpt-5-4-mini、grok-4-3。參照組用於指數尺度,不指定任何廠商應排第幾;不同分類的指數不直接比較。

查看每一份評測證據 →