Qwen3.8-max 出了，今天看排行榜 3 个榜 3 个名次，该信哪个呢？
• 请不要在回答技术问题时复制粘贴 AI 生成的内容
 |
1
vzextreme 15h 22m ago
看厂商对哪家测评机构特调🐶
|
 |
3
cowcomic 15h 14m ago
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 |
 |
4
tcper 15h 13m ago  5
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。 |
 |
5
lel020 15h 12m ago
牛马 agent 使用还是得看社区评价，什么跑分都靠不住，
|
 |
6
Bootis 14h 58m ago
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
|
 |
8
opeth 14h 56m ago
我基本上就看 artificial analysis 和最强野榜 https://llm2014.github.io/llm_benchmark
|
 |
9
wang93wei 14h 54m ago
我个人觉得 DeepSWE 这个更权威一些。https://deepswe.datacurve.ai/
|
 |
10
klion 14h 51m ago 1
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 |
 |
11
xiaoxixi 14h 32m ago
好多排行站，之前都没关注过
|
 |
12
soulflysimple123 14h 14m ago
看 https://artificialanalysis.ai/
我看 Qwen3.8-max 里面还没有 |
 |
13
sillydaddy 13h 53m ago
我目前只看 arena ，它是基于两两比赛得到的，裁判是广大用户。
|
 |
14
rich1e 13h 4m ago
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 |
 |
15
nakun233 12h 56m ago
当然是 DeepSWE 1.1
|
 |
16
kuhung 12h 37m ago
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。
|
 |
17
sxbaixing 12h 31m ago
千问向来是跑分高，体验差
|
 |
18
mmdsun 12h 24m ago via iPhone
论知名度还是 arena 靠谱
|
 |
19
OumaeKumiko 12h 18m ago
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) |
 |
20
uncleroot 12h 14m ago
不知道有没有各种语言的“人味”排行。机器味太重了
|
 |
21
wakarimasen 12h 9m ago via Android
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 |
 |
22
Wcowin 12h 6m ago
具体场景具体分析吧，适合自己就是最强的。
|
 |
23
jonsmith 10h 45m ago
编程方面不看好 Qwen ，跟 Gemini 一样，跑分高、编程能力不行。
|
 |
24
cabudad 10h 30m ago
什么排行榜都没有自己亲身使用权威，好不好用了才知道
|
 |
25
SeleiXi 10h 26m ago
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
|
 |
27
levn 8h 53m ago
普通人类评价早就已经没用了在大多数时候
|
 |
28
jark006 8h 50m ago
我比较信 DeepSWE
|
|
29
Bootis 8h 46m ago
|
 |
30
escapefear 7h 43m ago
我奉行对标谁就用谁的原则
|
 |
31
LK996 7h 37m ago
和手机评测一样，都是给够前就上的婊子，没有干净的
|
 |
32
Znemo 7h 24m ago
哪个 Gemini 排名最低相信哪个。
|
 |
33
William337 7h 24m ago
没有，需要自行判断，仅供参考
|
 |
34
Haku 7h 19m ago via Android
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）
|
 |
35
aes114514gcm 6h 31m ago
@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。
|
 |
36
JerryZhi 6h 18m ago
目前普遍思路是采集十几个排行榜求平均（或者加权）
|
 |
37
cellsyx 6h 1m ago
比较符合个人体验的是 DeepSWE （不包括前端设计能力）
|
 |
38
FlashEcho 5h 36m ago
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
|
 |
39
Glauben 4h 51m ago
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
|
 |
40
Mandelo 4h 8m ago
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。
|
 |
41
mingtdlb 2h 49m ago
arena 的 side-by-side 不是一样可以选哪个更好，但这个结果是否参与排名不懂得，如果参与，那就可以刷了。。。
我认为实际还是要自己测试，给一个任务，看哪个模型做的最合你意。排行榜随便看一个就行，一般都相差不会太多，比如 ds 在排行榜 1 是第十，在排行榜 2 就不会跑到第 30 去 |
Select Language