跑分第一的模型，在你的任务上未必最合适：它可能贵 5 倍、慢 3 倍，或者输出风格与你的下游程序不兼容。选型的目标不是「最强」，而是「够用且成本可控」。
榜单能告诉你什么，不能告诉你什么
| 榜单能回答 | 榜单回答不了 |
|---|---|
| 同题条件下谁的分更高 | 在你的领域数据上谁更准 |
| 推理与知识类任务的大致梯队 | 延迟、稳定性、限流与价格 |
| 版本之间的相对进步 | 输出格式是否好解析、是否爱说废话 |
| 公开基准上的饱和程度 | 缓存与工具调用等工程细节 |
合理的用法是：用榜单把候选缩到 3～5 个，再用自己的样本做最终选择。榜单负责排除，你的样本负责拍板。
按任务类型选
| 任务类型 | 优先看什么 | 不建议 |
|---|---|---|
| 日常写作与翻译 | 语言自然度、成本、速度 | 为一点质量差距付 5 倍价钱 |
| 代码与重构 | 长上下文、工具调用、稳定性 | 只按跑分选，忽略客户端兼容性 |
| 长文档分析 | 有效上下文、检索友好度 | 把整本书塞进一次请求 |
| 结构化输出（JSON） | 是否支持 schema 约束、失败率 | 靠提示词「请只输出 JSON」硬约束 |
| 多模态（图/音/视频） | 按什么计价、分辨率与时长上限 | 忽略图片会被转成 token 计费 |
| 批量离线任务 | 批处理折扣、吞吐 | 用交互式高价模型跑批 |
推理模型值不值得
推理模型（reasoning / thinking 类）在复杂问题上更强，代价是输出里包含大量思考 token——而输出单价通常是最贵的一项。判断标准很简单：这类任务是否「一次做对」比「多做几次」更值钱？
- 值得：数学推导、复杂代码调试、长链条规划、合同与条款比对；
- 不值得：格式化改写、简单摘要、分类抽取、模板生成；
- 折中：先让小模型试，失败或置信度低再升级到大模型，这类路由策略能省下一大截成本。
三步自测法（半小时搞完）
- ① 准备 20 条真实样本从你实际业务里挑，覆盖典型、边界和容易出错的情况，写好标准答案或验收规则。
- ② 三个候选模型各跑一遍同一提示词、同一参数；记录准确率、平均延迟、平均 token 消耗。
- ③ 换算成「每完成一件活的成本」单价 × 实际 token 数 × 重试率，这才是可比的口径。准确率高但重试三次的模型往往更贵。
常见问题
跑分第一的模型一定最合适吗？
不一定。跑分高说明在公开基准上更强，但你的任务可能是格式转换、抽取这类小模型就够用的活。用 20 条真实样本测一遍，常常能省下大部分成本。
上下文窗口越大越省钱吗？
正好相反：窗口越大，越容易把不必要的内容塞进去，成本线性上升，同时中段内容的召回质量下降。优先用检索只带相关片段。
怎么判断某个站给的模型是不是真货？
看返回体的 model 字段、用同题在官方渠道对比、观察连续调用的稳定性。本站的检测与排名可以作为交叉验证的参考，但只代表检测时点。
