💬 版权声明
- 本文类型：原创/自写
- 作者：AI 磨刀匠
- 许可协议：CC BY 4.0（知识共享署名 4.0 国际许可协议）
🏆 为什么要看榜单？
选模型不靠广告，靠数据。
市面上大模型几十个，每家都说自己最强。普通人怎么判断？看榜单——就像买手机看跑分、买车看碰撞测试一样，大模型也有专业的评测体系。
但榜单不是万能的。看懂榜单比看排名更重要。
五大主流榜单速览
💡 一句话选择指南
- 想知道”大众觉得谁好用” → 看 Chatbot Arena
- 想知道”开源模型谁最强” → 看 Open LLM Leaderboard
- 想知道”谁真有实力（防作弊）” → 看 LiveBench
- 想知道”谁写代码最强” → 看 Aider Polyglot
- 想知道”专业场景下谁靠谱” → 看 SEAL
进阶：
- 想知道”谁能独立修 Bug 建项目” → 看 SWE-bench
- 想知道”谁调 API / 工具最强” → 看 BFCL
- 想知道”谁看图最准” → 看 Vision Arena
| 榜单 | 测什么 | 谁来评 | 数据集 | 官网 |
|---|---|---|---|---|
| Chatbot Arena | 综合对话 | 普通用户投票 | 投票数据公开 | lmarena.ai |
| Open LLM Leaderboard | 标准化基准 | 自动评测 | 完全公开 | HuggingFace |
| LiveBench | 高难度综合 | 自动评测（客观答案） | 每月更新 | livebench.ai |
| Aider Polyglot | 代码编辑 | 自动评测 | 公开 | aider.chat |
| SEAL | 多维度专业 | 专家人工 | 私有 | scale.com |
逐个拆解
1. Chatbot Arena（原 LMSYS）
怎么测的：你同时跟两个匿名模型聊天，选出你觉得更好的那个。系统根据所有用户的投票，算出 Elo 分数（类似国际象棋等级分）。
为什么重要：这是目前最大规模的众包人类评测，已积累 500 万+ 投票，覆盖 300+ 模型。它反映的不是实验室跑分，而是”真实用户在开放场景下觉得谁更好”。
注意事项：
- 前几名分差很小（2-3 分），排名波动不代表本质差距
- 用户可能偏爱”排版好看”或”回答更长”的模型，不等于能力更强
- 新模型标”Preliminary”时投票少，排名不稳定
- 有代码、数学、多语言等子榜单，不同维度排名可能完全不同
2. Open LLM Leaderboard（HuggingFace）
怎么测的：用 IFEval、BBH、MATH、GPQA、MMLU-PRO 等标准化基准，自动给开源模型跑分。
为什么重要：开源社区的”标尺”——只收录可下载、可复现的开源模型，能公平比较不同规模（1B~100B+）的模型。
注意事项：
- 只有开源模型，不含 GPT、Claude、Gemini 等闭源模型，不能跨阵营比较
- 跑分高不代表好用（“benchmark gaming”：模型可以针对测试集优化，实际体验打折）
- v1 和 v2 换了基准集，历史分数不能直接对比
3. LiveBench
怎么测的：18 个任务，覆盖数学、代码、推理、语言、指令遵循、数据分析。每道题有标准答案，纯客观评分。
为什么重要：它解决了一个大问题——防作弊。题目每月更新，基于最新的论文、新闻、电影简介等生成，模型无法通过训练数据”背答案”。
注意事项：
- 不同月份的分数不能横向比较（题目不一样）
- 难度很高，顶级模型准确率也低于 70%，别被低分吓到
- 偏学术导向，不直接反映日常聊天体验
4. Aider Polyglot
怎么测的：225 道编程题，覆盖 C++、Go、Java、JavaScript、Python、Rust 六种语言。模型需要在 Aider（AI 编程助手）环境中实际编写和编辑代码。
为什么重要：少数测试”实际代码编辑”（不只是生成）能力的榜单。多语言覆盖，还附带成本指标，能看性价比。
注意事项：
- 这是在 Aider 工具内的表现，换个编程环境结果可能不同
- “架构师+编辑器”双模型组合的成绩不能与单模型直接比
- 偏算法题，不完全代表日常开发场景
5. SEAL Leaderboards（Scale AI）
怎么测的：由 Scale AI 运营，使用私有数据集 + 人类专家评审。覆盖编程（SWE-Bench Pro）、指令遵循、工具使用、Agent 能力、对抗安全等维度。
为什么重要：题目不公开，模型厂商无法”刷分”。专家评审比普通用户投票更专业。是少数覆盖”安全”和”Agent 能力”维度的榜单。
注意事项：
- Scale AI 与多家模型厂商有商业合作，需注意潜在利益关联
- 私有数据集意味着外界无法独立复现验证
- 不同子榜单排名可能矛盾
常见误区
⚠️ 看榜单最容易犯的三个错误
误区一：跑分高 = 好用 跑分测的是”考试能力”，实际使用体验还受响应速度、价格、上下文长度、工具集成等因素影响。选模型要结合自己的实际场景。
误区二：排名不变 榜单每天都在更新。上个月第一名，这个月可能掉到第五。不要因为一次排名就锁死选择。
误区三：一个榜单说了算 每个榜单测的维度不同。一个模型在代码能力上排第一，在对话体验上可能排第十。交叉验证多个榜单，才能得到更全面的判断。
误区四：跑分一定真实 这是目前行业已经曝光的一个大坑——数据污染。已有数据公司被发现往测试集中”注入”特定数据，然后把这部分数据提供给大模型训练公司。模型在训练时”背”过这些答案，面对测试集自然表现很好，但换个场景就现原形。本质上就是提前拿到考题。这也是 LiveBench 每月更新题目的核心原因——老题目永远存在被污染的风险。看到一个模型跑分突然暴涨，先别高兴，多问一句：是真进步了，还是”背题”了？
怎么根据需求选模型？
| 你的需求 | 优先看哪个榜单 | 当前推荐（2026 年 3 月） |
|---|---|---|
| 日常聊天、写作 | Chatbot Arena | Claude Opus 4.6、Gemini 3.1 Pro |
| 写代码、改 Bug | Aider Polyglot | Grok 4、DeepSeek V3.2 |
| 开源模型自部署 | Open LLM Leaderboard | GLM-4.7、Qwen 3.5、Kimi K2.5 |
| 严肃学术/推理 | LiveBench | 交叉参考 Arena + LiveBench |
| 企业级安全合规 | SEAL | 看 SEAL 对抗鲁棒性子榜 |
ℹ️ 数据截至日期：2026 年 3 月 8 日 榜单数据随时变化，请以各榜单官网最新数据为准。本文旨在帮你”看懂”榜单，而非提供实时排名。
🔬 进阶：三个前沿方向的专项榜单
以下三个榜单偏专业，适合对代码工程、智能体、多模态有进一步需求的读者。 如果你目前只关心”哪个模型聊天/写东西最好”，上面五个已经完全够用了。
SWE-bench — 谁能独立修 Bug 建项目
官网：swebench.com
Aider 测的是”你帮我改这段代码”，SWE-bench 测的是”给你一个 GitHub 上的真实 Bug，你自己去读整个项目的代码并修好它”。
这是目前评估 AI 程序员（如 Devin、Claude Code 等）最严苛的行业标准。模型需要理解完整项目结构、定位问题、编写修复代码并通过测试——跟真实软件工程师的工作流程一模一样。
BFCL — 谁调 API / 工具最强
官网：gorilla.cs.berkeley.edu/leaderboard
全称 Berkeley Function Calling Leaderboard（伯克利函数调用排行榜）。
现在的大模型不仅要会聊天，还要会”干活”——调天气 API、操作数据库、控制外部软件。这个榜单专门测模型的 Function Calling（工具调用）能力，是评估 Agent（智能体）实力最权威的基准。
Vision Arena — 谁看图最准
官网：与 Chatbot Arena 同站（lmarena.ai，切换到 Vision 标签）
GPT-4o、Claude Sonnet 都具备很强的看图、读图表、甚至看 UI 界面写代码的能力。上面五个榜单全是纯文本评估，Vision Arena 补上了多模态这块拼图。评测方式跟 Chatbot Arena 一样——用户给两个匿名模型看同一张图，选出理解更准确的那个。
💬 信息来源