跳转到正文
AI 编程篇约 5 分钟
打开原图 ↗

模型评测与榜单 ​

LLM 相关评测基准与榜单汇总|Leaderboard ​

下列条目大致按业内知名度 / 引用频率排序(主观判断,非能力排名)。选型时建议交叉看 2–3 个不同方法论的榜单,不要只盯单一分数。

1. Chatbot Arena(LMSYS / LMArena) ​

链接:https://lmarena.ai/leaderboard

保持更新:✅

主办:LMSYS / UC Berkeley

备注:目前最有影响力的人类偏好榜单:盲测对战 + Elo 排名,投票量极大,厂商与媒体常以此对标「体感强弱」。除主榜外还有 Hard、Style Control、Search 等子榜。适合看通用对话口碑,不适合单独当代码/Agent 能力结论。延伸阅读:LMArena、WSJ 报道、Arena-Hard 博客。

2. SWE‑bench ​

链接:https://www.swebench.com/

保持更新:✅

主办:Princeton / SWE‑bench 团队

备注:编程 Agent 领域的事实标准之一:用真实 GitHub issue 测「能不能修仓库」。含 Verified / Lite / Multimodal 等变体,结果常被论文与产品发布引用。看代码落地能力优先看这里,注意提交配置与 scaffold 差异会影响分数可比性。

3. Artificial Analysis ​

链接:https://artificialanalysis.ai/zh/leaderboards/models

保持更新:✅

主办:Artificial Analysis

备注:偏「选型仪表盘」的聚合站:把质量分、价格、速度、上下文长度等放在同一视图对比,并汇总 MMLU‑Pro、AA 自有指数等。适合快速筛「够用且划算」的模型,细节仍需回看单项基准原文。

4. OpenRouter Rankings ​

链接:https://openrouter.ai/rankings

保持更新:✅

主办:OpenRouter

备注:用量 / 市占榜,不是能力榜。反映聚合路由上真实调用热度与品类偏好,可用来判断「市场在用什么」,不宜当作谁更强。

5. 司南(OpenCompass) ​

链接:https://rank.opencompass.org.cn/leaderboard/llm

保持更新:✅

主办:上海 AI 实验室 / OpenCompass

备注:国内最常用的统一评测框架之一,官方榜单覆盖开源与 API 模型。源码:GitHub;学术向补充:Compass Academic(HF Space)。中文场景选型时优先对照。

6. SuperCLUE ​

链接:https://superclueai.com/

保持更新:✅

主办:CLUE 团队

备注:长期维护的中文通用能力综合榜,维度贴近中文用户任务(理解、推理、生成等)。看国产/中文表现时与司南互补使用。

7. aider polyglot ​

链接:https://aider.chat/docs/leaderboards/

保持更新:✅

主办:Aider

备注:面向多语言代码编辑的实战榜:基于 Exercism 225 题,覆盖 C++ / Go / Java / JS / Python / Rust。在 CLI 编程助手圈子里引用极多,适合交叉验证 SWE‑bench 之外的「改代码」能力。

8. LiveBench ​

链接:https://livebench.ai

保持更新:✅

主办:LiveBench / Abacus.AI 等

备注:强调抗污染的客观基准:题库滚动更新、尽量避免 LLM-as-judge。适合看推理/知识类「硬指标」补充,方法论见 README 与 说明 PDF。

9. Search Arena ​

链接:https://beta.lmarena.ai/leaderboard/search

保持更新:✅

主办:LMSYS

备注:LMArena 的联网检索子榜:比的是「会不会查网页、引用能不能对上」,不是纯闭卷问答。需要评估实时信息能力时看这条,与主 Arena 分开解读。

10. Models.dev ​

链接:https://models.dev/

保持更新:✅

主办:OpenCode

备注:开源模型元数据库(规格 / 定价 / Tool Call / 结构化输出等),按 Model · Provider · Lab 浏览;提供 JSON API 与 SDK(@opencode-ai/models)。用来查「这模型到底支持啥、多少钱」,不是打分榜。

11. llm-stats ​

链接:https://llm-stats.com/

保持更新:✅

主办:llm-stats

备注:多模态对比站:LLM、图像、代码、语音等榜单 + 价格/速度/上下文窗口,并跟踪新模型发布。适合一眼扫行情;单项结论仍建议回源基准核验。

12. HAL(Holistic Agent Leaderboard) ​

链接:https://hal.cs.princeton.edu/

保持更新:✅

主办:Princeton SAgE

备注:Agent 能力总榜:多基准、成本感知、第三方评测视角。比 SWE‑bench 更「跨任务」,但社区曝光低于前几项;做 Agent 选型时可作补充证据。

13. AI Release Tracker ​

链接:https://aireleasetracker.com/

保持更新:✅

主办:AI Release Tracker

备注:主流实验室的发布时间线(非能力榜),另有 Analytics 节奏分析与 Expected 预期发布页。用来回答「最近谁发了什么」,不回答「谁更强」。

14. Vals AI Benchmarks ​

链接:https://www.vals.ai/benchmarks

保持更新:✅

主办:Vals AI

备注:偏行业场景(法律、财税、金融等)的评测与公开报告,也收录部分学术题解析。通用编程选型参考价值一般,垂直落地前值得看。官网 · 相关报道。

15. Yupp ​

链接:https://yupp.ai/leaderboard

保持更新:✅

主办:Yupp

备注:偏代码/实战向的社区榜单,体量与权威性不及 SWE‑bench / aider,适合当作交叉验证,不宜单独决策。

16. Roomote ​

链接:https://roomote.dev/models

保持更新:✅

主办:Roomote

备注:Roomote 产品内的按角色评测(Coder / Reviewer / Advisor / Explorer / Vision / Router),并按质量·价格·速度偏好推荐。结论强绑定其工作流,迁用到其他 Agent 产品时要打折看。

17. Opper TaskBench ​

链接:https://opper.ai/models

保持更新:✅

主办:Opper Technology AB

备注:以任务完成率为核心的小而专基准(Context / SQL / Agents / Normalization),分数 0–1。曝光度有限,适合看「小模型能不能干活」的补充样本。

18. PinchBench(OpenClaw) ​

链接:https://pinchbench.com

保持更新:✅

主办:Kilo Code 等

备注:OpenClaw 场景下的 Agent 任务成功率榜(含速度/成本)。任务与评分开源,但官网标明偏娱乐、勿作关键决策——仅作趣味参考。

19. LLM Benchmark Dashboard(llm2014) ​

链接:https://llm2014.github.io/llm_benchmark/

保持更新:✅

主办:llm2014(个人项目)

备注:个人私有题库的长期跟踪看板,带成本与耗时维度。方法论不透明、样本非公开,只适合当「体感 + 性价比」旁证。

发现问题或有实践经验想分享? 参与讨论 ↗

把 AI 从「会聊天」推进到「能稳定交付」