开源模型排行榜 hugging face

想跟开源模型的进度，多数人第一步就是打开 Hugging Face 之类的平台翻榜，结果看到一排名字和分数，却不知道这些分是谁打的、能不能直接拿来选型。这篇不评谁强谁弱，只讲榜单页面上每一列的含义、常见的水分来源，以及从看榜到下决定该怎么一步步走。数字和名次一律不写死，按当时的页面核对。

想跟开源模型的进度，多数人第一步就是打开 Hugging Face 之类的平台翻榜，结果看到一排名字和分数，却不知道这些分是谁打的、能不能直接拿来选型。这篇不评谁强谁弱，只讲榜单页面上每一列的含义、常见的水分来源，以及从看榜到下决定该怎么一步步走。数字和名次一律不写死，按当时的页面核对。

先记住一个前提：榜单是别人用某套条件测出来的结果，不是模型本身的能力值。你能从榜上拿到的信息，只有「在某套条件下谁表现更好」这一条，换成你的数据、你的硬件、你的提示词，结论很可能变。

先搞清你打开的是哪一种榜

同一个平台上的榜单，排序逻辑可能完全不同。你在页面上看到的名次，先要确认它是怎么产生的，否则后面的比较全是白工。

平台自动热度榜

按下载量、点赞数这类行为数据自动排，反映最近有多热，和模型好不好用没关系，新模型发版当天就能冲上去

社区提交榜

由用户自己提交结果或发起投票，热度权重高，适合发现新鲜东西，不适合当选型依据

固定题库基准榜

用一套固定题目加自动判分跑出来的分数，可比性最强，但也最依赖题目设计和评测条件

分清这三类之后，再去看是哪个组织在维护这张榜、多久更新一次。停更很久的榜单页面上，名次可能还是上一轮模型迭代时的结果，直接参考会误导判断。

• 打开榜单先找页面上的说明文字，看评测是谁组织的、题目从哪来、判分是人还是程序
• 确认榜单最近一次更新大概在什么时间，去站内 /benchmarks 核对当前在维护的榜单列表
• 把「热度类」和「基准类」分开看，别拿下载量排名去对比基准分数
• 站内 /benchmarks/registry 是集中看各类测评榜单的入口，先在那里对齐口径再往下看

打开一个榜单页，按这五栏逐项核对

榜单页面上的信息不止一个分数。下面这张表把常见栏目和它真正能说明的问题列在一起，看到不认识的列可以照着对。

许可证这一栏最容易被跳过。拿不准条款里某个词的意思，可以去站内 /ai-dict 查术语解释，再回到模型页看原文，别只看榜单上那个简写标签。

从看榜到你自己的候选清单

榜单的作用是缩范围，不是替你下决定。下面这套顺序按「先筛掉不可能的、再筛掉不合适的、最后自己验」推进，比对着分数纠结快得多。

1. 按部署条件砍一批先看你的显存、推理框架、是否要本地跑，跑不动的、框架不支持的直接划掉；可以到 /models/deploy 做部署测算，比一个个试省时间
2. 按任务类型缩范围写代码、长文档问答、中文写作、结构化抽取，各自强项不同，别用一张总榜的排名决定所有场景；到 /rankings 按任务维度看分组结果
3. 挑三到五个候选数量不用多，覆盖你主要场景即可；这时才开始看分数，而且只看同条件分组内的相对位置
4. 用自己的样本跑一轮样本量不用大，覆盖边界情况就行；站内 /crowd-radar 可以看多人多时段的交叉验证结果做参照

跑完自己的样本后，把「榜单分数」和「你的实测结果」分开记。两者冲突时优先信自己的样本，但也要回头检查是不是提示词、上下文长度或参数没设对。

几个最容易看走眼的地方

下面这几条不涉及具体数字，但每条都能让你少踩一次坑。判断标准是什么、什么时候不适用，一起写清楚。

• 把分数差当成能力差：小分差在换一批题、换一种提示词后经常翻转，不足以支撑选型；只有差距稳定出现在多个独立榜单上才值得当信号
• 只看第一页：不少榜默认按热度而不是按分数排序，翻到后面的分组或换筛选条件，可能藏着更合适但没被推送的模型
• 忽略基座与微调版的关系：同一家族的指令微调版和基座版在榜单上是两个条目，用途不一样，混着比等于白比
• 拿榜单当商用背书：榜单不涉及合规与数据来源，上线前还得单独走许可证与合规检查，这一步不能省
• 只信一张榜：不同榜单的题目和判分方式差异很大，交叉看两到三张榜再下结论更稳

榜单帮你排掉明显不合适的，不能帮你挑出最合适的。