搜「最新大模型评测排名网站」的人，多半已经翻过几个榜单，发现数字对不上、更新时间停在几个月前。问题不在你看得不仔细，而在这些站点的更新节奏和统计口径本来就不一样。这篇不推具体站，讲怎么判断一个排名站值不值得每天打开，以及打开之后该先看哪一栏。
搜「最新大模型评测排名网站」的人，通常已经翻过几个榜单了。翻完的感受多半是别扭：同一个模型，这个站排前面，那个站掉到中游，更新时间还停在你想不起来是哪个月的位置。问题不在你看得不够仔细，而是这些站点的更新节奏和统计口径本来就不一样。
所以这篇不推荐具体哪个站。推了也没用，榜单会变，你要的是一套能反复用的判断方法：怎么看出一个排名站是不是还在持续维护，打开之后先看哪一栏，什么情况下这个榜对你的意义不大。看完你至少能自己筛掉一半不值得每天打开的页面。
同一个模型，两个站两个名次，先别急着骂
名次打架是常态。原因基本就三处：题目集不一样、打分方式不一样、采样时间不一样。题目集这块，有的站用公开题库，有的自建，有的靠众测采样，考的东西根本不是一回事。打分方式更隐蔽，人工评分和拿模型当裁判，得出的结论经常相反。采样时间就更直接了，一个榜上周跑的，一个榜三个月前跑的，比的是两个世界。
判断一个站靠不靠谱，先看它有没有把这三件事写清楚。写清楚的不一定准，但至少你知道数字是怎么来的；写不清楚的，当参考可以，当决策依据就悬了。遇到两个榜打架，最没用的动作是在两个页面之间反复横跳，越看越乱。回到自己的任务上跑一遍小测试，比什么都快。
更新快不快，看的是这几处痕迹
很多人判断更新频率的方式是刷新榜单页，看数字变没变。这个方式不太灵，因为榜单可能整体重算才动一次，中间隔很久。更靠谱的是找那些「高频小动作」的痕迹。
- 榜单页有没有明确标注最近一次更新时间，以及新收录的模型是什么时候进的榜
- 日报、动态、快讯这类栏目是不是每天有新条目，这比榜单本身的刷新更能说明站点在持续维护
- 新模型发布之后多久进榜，拿你最近记得的一次发布事件去对照，差得离谱就要留心
- 历史记录能不能翻，有没有保留旧版本榜单，只给当前快照的站，回溯能力为零
- 页面上的模型列表和更新说明对不对得上，说新增了但列表里找不到，说明维护是断的
这几条里，我最看重的是第二条。一个站如果每天都在发动态，哪怕榜单更新不算频繁，也说明有人在盯这件事。反过来，动态栏目半年没动，榜单上的时间戳再新也要打个问号。想对照各家榜单的收录情况，可以到 /rankings 看站内整理的口径说明，再决定要不要把某个站加进日常清单。
方法页比榜单页更值得读一遍
榜单页是结论，方法页才是过程。花五分钟读方法页，能省掉后面很多误判。具体看三样东西。第一，评测题目从哪来：公开题库、自建题库还是众测采样。公开题库容易被针对性优化，自建题库覆盖面有限，众测采样偏差方向又不一样，没有哪种是完美的，关键是你知道偏差在哪边。
第二，有没有披露样本量和置信区间。只给一个总分加一个排名的，分数差一点点就换位置，这种波动会被排名放大成「赶超」的错觉。第三，有没有说明模型版本和调用参数。同名不同版本混在一起排的榜，参考价值要打折，尤其是你打算接入 API 的时候，版本对不上，榜上的表现跟你实际调到的可能不是一回事。
| 要看的项 | 写清楚了说明什么 | 没写清怎么处理 |
|---|---|---|
| 题目来源 | 评测覆盖范围可判断，偏差方向已知 | 只当趋势参考，不用于选型 |
| 样本量与波动 | 名次差距是否显著有依据 | 把相邻名次视为同一档 |
| 模型版本与参数 | 榜上表现可对应到实际调用 | 接入前自己复测一遍 |
| 更新时间与历史 | 站点的维护是否连续 | 优先选有历史记录的站 |
这张表不用背，用的时候对着方法页一项项划就行。四项里缺两项以上的，基本可以判断这个站是「发一次就放着」的类型，赶不上你要追踪的节奏。
先定任务，再定看哪个分榜
总分榜的作用是筛子，不是答案。写代码、读长文档、图像理解、语音转写，这几类任务在不同榜上的强项完全不一样，一个综合分高的模型在你的场景里翻车，太常见了。正确的顺序是先把自己的任务定下来，再去找对应的分榜，而不是先看总分排名再倒推用途。
- 拆任务把自己的真实需求拆成三到五条小测试，每条写清输入、期望输出和不能出现的东西
- 固定提示词同一套提示词在候选模型上各跑一遍，别中途改词，改了就不可比
- 记录结果按通过条数和明显错误类型记，不要只记「感觉还行」
- 交叉验证拿结果去对照分榜，如果自测结论和分榜差很远，优先信自测，然后回方法页找原因
分榜名次接近的时候，进入第二道筛选：延迟和单价。这两项在站内 /tools/speed-test 和 /price-watch 都能查到当期数字，具体多少自己去核对，别记别人嘴里的数。同一档表现的模型，响应快一倍、单价低一截，选择其实已经很明显了。
把追榜变成每周十分钟的固定动作
追榜这件事，频率比广度重要。每天扫十个榜，信息全是噪音；每周固定看两个榜，只盯自己候选池里的模型，反而能看出真变化。我的建议是一个主榜加一个交叉榜，主榜看趋势，交叉榜用来发现主榜漏掉的东西。多了只会互相干扰，你会开始纠结哪个更权威，而这个纠结没有产出。
另外一个容易忽略的点：名次变动超过预期时，先别急着换模型，回方法页确认是不是换了题目集或调整了打分方式。很多「暴涨暴跌」根本不是模型变了，是口径变了。这个误判我见过太多次，动作都一样——看到某个模型突然窜上去，立刻去试，试完发现不对劲，再回头看方法页，果然改了口径。
哪些情况下这类站点帮不上你
公开榜不是万能的，有几种情况它确实帮不上忙，提前知道能少走弯路。第一种，任务高度垂直，样本只在你自己的业务里出现，公开题库根本覆盖不到，这时候只能自建小测集，榜单最多给你一个候选池。第二种，你需要合规或私有化部署，榜单不覆盖交付形态，授权方式、部署成本这些得另找地方看。
第三种最好理解：如果你追求的是极致低价，名次和价格基本不相关，直接比价效率更高。还有一类情况是模型更新极快，榜单的收录速度永远落后一步，这时候动态栏目比排名页更有用。判断标准很简单——如果你的决策变量里价格或部署形态占大头，那就别在排名上耗时间。
下一步想追踪评测动态，先建立一个自己的候选池，再去核对这些站点的更新节奏和口径说明，比盲目收藏一堆榜单有用得多。→常见问题
榜单之间名次差很多，该信哪个？
先别选边。去看两边的评测方法页，确认题目集和打分方式是否一致，再看更新时间。如果口径不同，就都不是错的，只是回答的问题不一样。最终以自己的任务复测结果为准。
怎么判断一个评测站是不是很久没更新了？
看三处：榜单页的更新时间标注、动态或日报栏目的最新条目、最近一次新模型发布有没有被收录。三处都停在同一时间段，基本可以判断维护变慢了。
总分高的模型是不是就该选它？
不一定。总分是很多任务的加权平均，权重是别人定的。你的任务如果只占很小一块，高分未必反映到你的场景里。先按任务找分榜，再用总分做辅助排序。
自己搭一套小评测麻烦吗？
不麻烦，关键在固定。准备五到十条真实任务、固定提示词和评分标准，每次换模型都跑同一套，记录结果。规模不用大，能横向对比就够。
看榜之外还要看什么？
看价格、延迟和稳定性。名次相近时，这三项往往才是决定用哪个的因素。站内的价格页、测速工具和用量榜可以配合着看。
