LMArena ↗
lmarena.ai
- 衡量什么
- 匿名两两对比的人类偏好投票，覆盖通用对话、写作、代码等多个场景，参与人数多，新模型上线后很快会有反馈。
- 局限
- 投出来的是偏好，不是正确率；题目由用户随手出，任务分布不均；新模型刚上线时容易被围观投票推高，过一段时间才稳定。
- 什么时候打开
- 想知道「大多数人用起来更顺手的是哪几个」，或者给候选模型排一个初始顺序。
ARENA
模型擂台
同一个模型，换个榜就能换个位置。这一页不给排名，只讲清楚该去哪个榜看、怎么读，以及哪些结论不能从榜上直接读出来。
先认清三类口径
它们衡量的根本不是同一件事
排行榜看起来都在回答「谁更强」，实际测的东西差得很远：有人测人喜不喜欢，有人测题做得对不对，有人测别人愿不愿意付钱。三类口径经常给出互相矛盾的结论，只看一个，结论基本都会被带偏。
人类盲投票
Human preference把两个模型的回答匿名摆在一起，让人选哪个更好。衡量的是「回答讨不讨人喜欢」——措辞、结构、语气、格式都会加分。
会被什么带偏
擅长文风、闲聊和开放式问答的模型占便宜；需要精确步骤、长链路执行的任务，在这种赛制里暴露不充分。用户随手出的题分布也不均匀。
第三方自动评测
Automated benchmark用一套固定题库让模型跑，按预设规则判分。可复现、可并排比较，适合回答「在某类具体任务上，谁明显更稳」。
会被什么带偏
题库一旦公开就会被针对性优化；总分是许多不相关任务的加权平均，你关心的那一项可能根本不在权重里，也可能只占很小一块。
真实调用量与价格
Usage & pricing看 API 聚合平台的用量流向和各家的定价档位。反映的是「别人正在为什么付钱」，以及这个模型在真实产品里跑不跑得起。
会被什么带偏
混杂了营销、免费额度、渠道折扣和开发者群体的偏好；用量高不等于质量好，只能说明供给充分、接入成本低。
真实数据：价格与下载量
抓取于 2026-11-09 · 源：OpenRouter / Hugging Face
这里只放能从公开 API 核到的数字：每家旗舰模型的输出价（美元 / 百万 tokens），以及开源模型在 Hugging Face 的下载量。 它们不是「能力分」，但能回答两个实际问题——贵不贵、有没有人在用。
旗舰模型的输出价格
美元 / 百万 tokens · 每家取最贵的一档
- OpenAI $180
- Anthropic $75
- Moonshot $16
- Google $12
- Qwen $12
- Z.ai $8.8
- Mistral $7.5
- xAI $6
- DeepSeek $4.44
- Meta $1
开源模型下载量
Hugging Face · text-generation
- gpt2 3150万
- Qwen3-0.6B 2099万
- Qwen3-14B 1293万
- Qwen3-Embedding-0.6B 923万
- DeepSeek-V3.2 746万
- Qwen3-8B 696万
- Qwen2.5-7B-Instruct 605万
- gpt-oss-20b 587万
- Qwen3-4B 578万
- Ornith-1.5-9B-GGUF 573万
价格是平台挂牌价，会随缓存、批量与上下文长度变化；下载量只反映被拉取多少次，不等于质量。
去哪看
全部为公开站点，链接直达
下面这几个是长期可用、口径明确的公开榜。每个都标了它衡量什么、局限在哪、适合什么时候打开——先按你的问题挑一个，不要一上来就把几个榜的平均位置拼成结论。
Artificial Analysis ↗
artificialanalysis.ai
- 衡量什么
- 把质量、速度、价格放在同一张图里横评，特别适合看「同价位谁更快、同速度谁更便宜」，也方便估一张账单。
- 局限
- 质量部分的题集与权重由他们自己设定，不是你的任务；速度数据受测试节点、时段和并发影响，和你本地网络不是一回事。
- 什么时候打开
- 准备上线、要算成本和延迟预算的时候。
OpenRouter 榜单 ↗
openrouter.ai/rankings
- 衡量什么
- 真实 API 调用量与开发者实际选择，按 token 用量排序，还能按编程、角色扮演等类别分开看流向。
- 局限
- 只覆盖使用 OpenRouter 的开发者，这个群体偏技术、偏海外；免费模型和限时促销会明显扭曲用量排名。
- 什么时候打开
- 想验证「这类任务大家实际在调谁」，或者判断某个模型是不是真的有人在用。
Hugging Face 模型趋势 ↗
huggingface.co/models
- 衡量什么
- 开源模型的下载、点赞与近期活跃度，可用来判断开源阵营最近在往哪个方向走、哪个体量段有可用的权重。
- 局限
- 下载量包含自动化拉取、微调复用和评测脚本；热度不等于可用性，权重能下载也不等于你手上这张卡跑得动。
- 什么时候打开
- 考虑自部署、微调，或者只想看看开源这边追到哪了。
SWE-bench 官方 ↗
www.swebench.com
- 衡量什么
- 在真实 GitHub issue 上做代码修复的通过情况，是软件工程任务里被引用最多的一类评测，官方站会列出各模型的提交与设定说明。
- 局限
- 只覆盖一类仓库和一类问题；不同 scaffold（给模型的外壳、工具和重试策略）差别巨大，同名模型的数字未必可比。
- 什么时候打开
- 要给编码助手或 Agent 选底座模型时，先来这里看设定，再去别处看口碑。
读榜的四条纪律
每条都能挡掉一类误判
- 01
先分清「投票偏好」和「任务成功率」
前者回答「人更喜欢哪个回答」，后者回答「事情有没有做成」。客服、写作、陪伴类场景看前者；写代码、跑流程、填表、调接口看后者。两者经常互相矛盾，别拿一个去证明另一个。
- 02
先看版本和日期，再看名次
榜上的名字往往只是产品名，背后的模型可能已经换过几轮。看到一条结论，先确认评测时间、模型快照和榜单自己的版本说明，再决定它今天还成不成立。
- 03
把价格和延迟放进同一个框
同一个能力档位，单价和首字延迟可能差出量级。榜上靠前的模型，如果价格或延迟超出你的场景承受范围，对你来说就等于不存在——先算清楚你能接受的档位，再去读榜。
- 04
榜测的是平均能力，你的任务是长尾
公开题集为了公平，会覆盖大量通用场景；而你真正要做的往往是其中很窄的一类。平均表现好，不代表在你的输入格式、你的行业术语、你的输出约束上依然好。
本站怎么用榜
工具条目里，我们只写能在官网或文档里核对的事实，不复刻任何第三方评分。榜单是别人的评测集和别人的权重算出来的， 搬到我们页面上只会变成一句没有上下文的断言。
工具条目里标注的四项
- 定价档位 免费 / 免费增值 / 付费，来自官网价格页
- 中文支持 界面与回答的中文可用程度，按实测印象标注
- 国内是否需代理 大陆网络下能否直接访问
- 是否提供 API 官方是否有对外开放的接口
这些字段会随官网变化更新；找不到依据的就不标，宁可空着。
要选模型，可以按这个顺序来
- ① 先想清楚你的任务是「讨人喜欢」还是「必须做对」，对应去读不同口径的榜。
- ② 用榜把候选收窄到两三个，顺便砍掉价格或延迟明显超出预算的。
- ③ 拿自己的真实任务集做小样本实测：同样的输入、事先写好的判定标准、跑够你能判断的条数。
- ④ 决定之后再回榜上确认一次版本和价格——上线之后模型被替换是很常见的事。
关于数字
为什么这里没有排名数字
本站没有自建评测，也不搬运别人的分数。没有可复现的测量，就不放数字——少一个看起来很权威、实际上会误导你的排名，比多一个更容易。
上面的链接指向各自的官方站点，口径与更新节奏由对方负责；本站只负责说明怎么读。