国产模型排行

你可能正卡在这一步：要选一个国产模型接进项目，翻了几份「国产模型排行」，发现名次互相打架，榜单还都停在上个季度。这篇不给你一份固定名次，而是把排行背后的维度拆开——通用对话、代码、长文本、中文理解、成本与延迟——告诉你每类维度该去站内哪个页面核对当时的数字，以及在什么情况下这些排行根本不适用。

你可能正卡在这一步：要选一个国产模型接进项目，翻了几份「国产模型排行」，发现名次互相打架，榜单还都停在上个季度。这篇不给你一份固定名次，而是把排行背后的维度拆开，告诉你每一类维度该看什么指标、该去站内哪个页面核对当时的数字，以及在什么情况下这些排行根本不适用于你。

先明确一件事：排行不是一个数，是一组「在某个题目集、某个评分口径、某个时间点上」的测量结果。你不必找一份最权威的榜，只要把「你最在意的那类任务」和「榜单测的那类任务」对上号，名次才有意义。下面按通用对话、代码、长文本、中文理解、成本与延迟这几条线来拆。

为什么几份国产模型排行会互相打架

这不是谁造假，多数时候是三件事不一样：题目集不一样、评分口径不一样、参评快照的时间不一样。你在两份榜上看到同一家模型一个靠前一个靠后，先别急着下结论，去翻榜单页脚或说明区，看它有没有写清这三项。写不清的榜，只能当参考，不能当依据。

• 题目集：是公开的通用题库，还是自建的中文场景题？后者更贴近国内业务，但覆盖面往往窄
• 评分口径：是人工盲评、第三方模型当裁判，还是模型给自己打分？自评分只能和自评分比
• 快照时间：模型迭代快，榜上那版可能早就换了，去找有更新说明的页面
• 版本口径：同一个模型的不同后缀、推理开关、量化档位，表现能差出一大截

按你的任务挑维度，而不是按总榜名次挑

总榜把很多维度的分加在一起，权重是别人定的，不是你的。你的业务如果八成是中文客服问答，那代码分高不高对你几乎没影响。正确的做法是先写下你任务里最重要的两三个维度，再只盯这几列看。

每一列的当时数字，到站内的模型资料与测评页核对，别用第三方转载的旧截图。想知道一个模型最近实际被用得怎么样，也可以看使用热度类页面，它反映的是一段时间内的倾向，不是质量分。具体路径下面一节列。

把榜单结论落到自己任务上的验证步骤

榜单能帮你缩小候选范围，但决定用哪个，只能靠你自己的测试集。别一上来跑全量，先做一套小而固定的样本，跑通了再扩。下面四步的顺序别颠倒，尤其是最后一步，很多人省掉它，结果线上出问题没有退路。

1. 建固定测试集从真实业务里挑 20-50 条历史问题，覆盖常见问题和边界情形，每条都写清期望输出。之后每次换模型都用同一套，才有可比性
2. 选三个维度的候选不要只拿总榜前几名，按你的核心维度各挑一个候选，用同一套提示词跑一遍，输出顺序打乱后人工盲评
3. 归因失败样本记录失败集中在哪：知识缺失、格式跑偏、长文丢信息，还是延迟超限。知识缺失换模型有用，格式问题往往改提示词更划算
4. 留回退位上线前写清切模型的触发条件，比如错误率或延迟超过某个阈值就切回备用模型，并把切换动作固化进配置

站内去哪核对当时的数字

下面这张对照表把维度和站内页面配起来。看的时候注意页面的更新时间，老快照的数字只能当历史参考。任何要写进选型文档的数字，都以你打开页面那一刻为准。

模型规格与基础资料

到 /models 与 /ai-rankings 对照，别用第三方转载的老快照

测评榜单与题目口径

到 /benchmarks 与 /benchmarks/registry 看是人工评测还是自动打分

实际使用倾向

到 /usage 与 /openrouter 看一段时间内的调用热度，不是质量分

中文检索类模型

到 /embeddings 单独看，别和生成类排行混比

如果你更关心价格波动和不同渠道的报价差异，那属于另一条线，去价格追踪类页面看当时的数字，和模型能力排行分开看，两件事别混在一个决策里。

什么情况下国产模型排行对你没参考价值

排行默认你是在公网调 API、任务比较通用、延迟要求不极端。只要有一条不成立，榜上的名次对你的参考价值就会大幅下降。下面这几类场景，建议把排行当参考而不是依据。

• 强合规场景：数据必须留在内网，托管版本能不能用本身就是另一个问题，先看合规相关页面
• 极低延迟或高并发：榜上的质量分再高，限流和吞吐不达标也上不了线
• 垂类任务：法律、医疗这类需要专业校验的活儿，通用排名区分度很低
• 私有化部署：本地量化后表现会掉，你机器上跑出来的分才是你的分
• 定制微调后：微调会改变模型的行为分布，原榜的结论基本失效

一句话判断：如果你的任务和榜单的题目集、部署方式、延迟要求都不在一个世界，那份榜对你就是无效信息。反过来，只要有一两条对得上，它就能帮你省下筛选候选的时间。

排行只负责帮你缩小范围，选谁最终由你自己的测试集说了算。