大模型排行榜到底哪个权威？

[fankcoder]

Qwen3.8-max 出了，今天看排行榜 3 个榜 3 个名次，该信哪个呢？

1. 排行第 4 https://arena.ai/leaderboard/code/webdev
2. 排行第 7 https://llm-stats.com/
3. 第十名之后去了 https://artificialanalysis.ai/leaderboards/models

[vzextreme]

看厂商对哪家测评机构特调🐶

[hiddendeerer]

https://artificialanalysis.ai/leaderboards/models

[cowcomic]

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

[tcper]

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。

[lel020]

牛马 agent 使用还是得看社区评价，什么跑分都靠不住，

[Bootis]

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

[fankcoder]

@tcper 感谢

[opeth]

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

[wang93wei]

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

[klion]

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

[xiaoxixi]

好多排行站，之前都没关注过

[soulflysimple123]

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

[sillydaddy]

我目前只看 arena ，它是基于两两比赛得到的，裁判是广大用户。

[rich1e]

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

[nakun233]

当然是 DeepSWE 1.1

[kuhung]

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。

[sxbaixing]

千问向来是跑分高，体验差

[mmdsun]

论知名度还是 arena 靠谱

[OumaeKumiko]

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)

[uncleroot]

不知道有没有各种语言的“人味”排行。机器味太重了