模型对比网站

手上有个具体任务，想挑模型，结果打开一个对比站满屏图表，看完还是不知道选谁。问题通常不在你没看懂，而在于这个站的口径跟你手里的任务不是一回事。这篇按「你要比什么」把常用的模型对比网站分成几类，给出每类的看点和判断动作，也标出哪些位置容易把人带偏。

手上有个具体任务想挑模型，打开一个对比站，满屏图表看完还是不知道选谁。问题往往不在你没看懂，而在于这个站的口径跟你手里的任务不是一回事。有人拿跑分榜当采购依据，有人拿比价站的便宜档位当能力证明，结果都跑偏。

这篇按「你要比什么」把常用的模型对比网站分成几类，给出每类的看点和判断动作，也标出哪些位置容易把人带偏。目标是让你少绕几圈，找到能用的对比入口，然后回到自己的样本上做决定。

先分清四类对比站，别混着看

混着看的典型症状是：用一个站的价格去否定另一个站的排名，或者拿一个站的排名去质疑另一个站的价格。这两件事根本不在一个维度上。先给站分类，再决定用哪一栏。

聚合比价站

核心是价格与限量口径，适合算成本，不适合判断能力；同名模型不同档位、不同计费单位常被放在一起

跑分榜

核心是固定题集得分，适合初筛掉明显不行的，不适合定终选；题集换了，名次就可能翻

众测雷达类

核心是多人多时段交叉验证，适合看稳定性与主观偏好；样本少时波动大

站内模型库与词典

核心是规格字段，比如上下文、模态、许可证，适合查事实不查好坏

同一个模型，两个站分数不一样怎么办

先对齐口径，而不是对齐分数。题集版本、是否允许自评分、用的是什么推理参数、上下文有没有被截断，这四项对不上，比出来的差就没意义。再看样本量与时点，样本少的排名波动大，跨时点的两张榜不能直接相减。

• 先找题集说明页，确认版本和评测方式，再回头看分
• 看样本量与更新时点，别把两个不同时点的榜直接相减
• 把差异记下来，去站内模型库核对规格字段，很多「分数差」其实是量化档位或上下文截断造成的
• 结论只写到「这个方向值得试」，不要升级成「这个一定更强」
• 如果差异大到影响决策，先放一放，用你自己的样本跑一轮再回来

还有一种常见坑：榜单把不同规模的规格放在同一张表里排序，看着是同一栏，其实不是同一档。遇到这种情况，与其纠结名次，不如去站内核对规格字段，把可比的挑出来单独看。

按任务做三站交叉，跑出候选清单

1. 先定任务三要素输入形态、输出形态、可接受的延迟区间，写在纸上再打开网站。这三条不写下来，看榜时很容易被名次带着走。
2. 用跑分榜压候选把候选压到三到五个，再用比价站把成本明显超预算的剔掉。这一步只看筛除，不定终选。
3. 做真实样本对剩下的每个候选，同一批提示词跑一遍，记录失败模式：是格式崩、是漏字段、还是长输入掉链子。到站内工具目录挑一个顺手的小工具做这事。
4. 回头查众测只在两个候选之间纠结时，才回头看众测数据，重点看长期稳定性与主观偏好，而不是看谁票多。

这里的顺序别调。先跑真实样本再回头看榜，和先看榜再跑样本，结论经常不一样。前者是你在用榜，后者是榜在用你。

什么情况下这些站基本帮不上忙

公开对比站的前提是「任务公开、数据公开、环境公开」。只要有一项不成立，它的结论就不能直接搬。下面这几种情况，别硬套。

• 私有数据、内网部署、强合规场景，公开榜的排名不可迁移，只能自己造测试集
• 垂类任务，比如某行业文档解析、特定格式生成，公开题集覆盖不到，榜单只能当排除法用
• 对延迟和并发有硬要求的在线服务，榜单几乎不涉及吞吐与限流，要去算力与接口口径页面看
• 只差一点点就决定的场景，多刷几个榜的收益，低于直接跑一轮真实样本

还有一种不适用：你手里的任务每天都在变。今天比出来的候选，两周后输入形态一变就不成立了。这种情况把对比当成周期性动作，别当成一次性采购。