Grok 4.3 大模型排名

你大概是在挑模型，看到 Grok 这代在几个榜单上名次不一样，或者某家中转站把它排在很靠前，心里没底。这篇不讲结论式的谁强谁弱，而是给你一套读名次、比竞品、做决策的动作：榜单从哪看、看哪几列、跟谁比、什么时候这个名次对你不成立。看完你能自己把结论对出来，而不是照抄别人的排序。

你大概是在挑模型，看到 Grok 这代在几个榜单上名次不一样，或者某家中转站把它排在很靠前，心里没底。这篇不讲结论式的谁强谁弱，而是给你一套读名次、比竞品、做决策的动作：榜单从哪看、看哪几列、跟谁比、什么时候这个名次对你不成立。看完你能自己把结论对出来，而不是照抄别人的排序。

先把心态摆正：排名是筛子不是答案。它能帮你把候选从十个缩到三个，剩下的要靠你自己的任务和实测补齐。所以下面每一节都配了具体动作，你能边看边在站内把数字对一遍。

先分清你看的是哪一类名次

同一代模型在不同来源的名次经常对不上，这不是有人造假，而是评测口径本就不同。你要做的第一件事，是确认手上这张表到底属于哪一种来源，再决定它能回答什么问题。来源混着比，结论一定站不住。

固定题库看的是分数上限，众测雷达看的是多时段多人交叉的稳定性。前者适合判断能力天花板，后者适合判断日常用会不会掉链子，两个问题别用一个榜回答。

• 确认榜单类型：点进榜单页看它写没写评测口径、题目集和评测时间
• 把榜单页和评测口径放一起读：到 /benchmarks 与 /benchmarks/registry 找对应榜单，再回 /about 核对检测口径
• 口径不一样的榜不要直接横向比，宁可各自记一个位次区间
• 记下评测样本里有没有你关心的语言和任务类型，没有就直接降权

跟竞品比，比的是同一题同一评法

跨代比出来的位次没有参考价值，这是最容易踩的坑。拿 Grok 这代去比，先锁定同代、同价位档、同模态的竞品，再挑任务类型做对比。这三类任务拉开差距最明显：长文本读写、工具调用与多步任务、代码与结构化输出；纯闲聊类题目各家分数贴得很近，比了也说明不了什么。

1. 锁定对比名单按同代、同价位档、同模态三条筛，跨代的直接划掉；名单控制在三到五个，多了看不过来。
2. 挑任务类型从长文本读写、工具调用、代码与结构化输出里选一到两类，必须是你要真实落地的场景。
3. 核对规格与价格口径每家官方给的规格和价格在 /official-api 与 /providers 里按厂商条目核对当时的数字，别用第三方转述的数字。
4. 记录对比结论只写「在哪类任务上占优、哪类持平、哪类落后」，不要写成总分排名，后续决策更好用。

如果某家厂商的条目在 /providers 里找不到对应规格，先别急着用它做对比基准。信息缺口会在你放大流量之后变成成本或稳定性问题，到那时再补就晚了。

什么情况下这个名次对你就不成立

名次高不等于你的任务好用，这句话要在两个层面上检查：你的任务跟榜单题型对不对得上，以及你实际拿到的是不是榜单里测的那一版。这两条任何一条不成立，名次参考价值就打折。

还有一类隐形坑：中文长文档抽取这类任务，榜单里题量本来就少，位次波动会很大。遇到这种情况，名次只用来排除明显不合适的候选，最终判断要靠你自己的小样本对照测试。

一张能照着走的核对清单

把上面的动作固化成五步，每次换模型或换供应商都走一遍，能省掉大量反复。清单里的任务类型、上下文长度、并发这些量，都要按你自己的真实场景填，不要抄别人的值。

1. 确定任务类型和必须项写清语言、上下文长度、是否多模态、能否私有化，以及延迟和并发的底线要求，这几条先定下来后面才不返工。
2. 找到对应任务的榜在 /benchmarks 找对应任务类型的榜，只看同类榜单里的位次，记下评测口径和题目构成。
3. 核对规格与限流口径在 /models 查这代模型的规格与能力项，在 /official-api 对齐价格与限流口径，记下当时的数字。
4. 量基线并验证链路用 /tools/speed-test 量自己的延迟基线，再用 /tools/verify 验证实际到手的模型是否与预期一致。
5. 小流量跑一周再放大名次只用来缩小候选范围，不用来拍板；小流量跑一段稳定后再逐步放大。

排名帮你缩小候选范围，你的任务和周实测才帮你拍板。