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

[wakarimasen]

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

[Wcowin]

具体场景具体分析吧，适合自己就是最强的。

[jonsmith]

编程方面不看好 Qwen ，跟 Gemini 一样，跑分高、编程能力不行。

[cabudad]

什么排行榜都没有自己亲身使用权威，好不好用了才知道

[SeleiXi]

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

[ybybwdwd]

@cowcomic arena 是可以刷的，可以用提示词试出是哪个模型

[levn]

普通人类评价早就已经没用了在大多数时候

[jark006]

我比较信 DeepSWE

[Bootis]

https://cursor.com/cn/cursorbench

[escapefear]

我奉行对标谁就用谁的原则

[LK996]

和手机评测一样，都是给够前就上的婊子，没有干净的

[Znemo]

哪个 Gemini 排名最低相信哪个。

[William337]

没有，需要自行判断，仅供参考

[Haku]

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）

[aes114514gcm]

@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。

[JerryZhi]

目前普遍思路是采集十几个排行榜求平均（或者加权）

[cellsyx]

比较符合个人体验的是 DeepSWE （不包括前端设计能力）

[FlashEcho]

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

[Glauben]

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

[Mandelo]

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。