你可能碰到过这种情况：想给项目挑个开源模型，搜出来的排名站一大堆，数字却对不上，也不知道该信谁。这篇不评价哪个模型强，而是把「去哪儿看排名」这件事讲透——哪些站值得长期盯、每个站擅长什么、看的时候要核哪几项，最后给一套固定的跟进动作，让你每次新模型出来都能自己判断，而不是等别人喂结论。
你可能碰到过这种情况：想给项目挑个开源模型，搜出来的排名站一大堆，数字却对不上，也不知道该信谁。这篇不评价哪个模型强，而是把「去哪儿看排名」这件事讲透——哪些站值得长期盯、每个站擅长什么、看的时候要核哪几项。
下面不给绝对结论，只给判断口径和一套固定的跟进动作。读完你每次遇到新模型发布，都能自己走一遍筛选流程，而不是等别人喂结论。开场先记住一句话：排名站是筛子不是答案，它的价值在于把几十个候选缩到三五个。
同一个模型，为什么几个站的排名对不上
先别急着怀疑哪家造假，大多数对不上是因为口径不同，而不是数据错了。榜单的差别通常来自三处：题目集、评测方式（自动判分还是人评）、提交方式（官方提交还是第三方复跑）。这三项任何一项不一样，名次就没有可比性。看到两个站结果冲突，第一反应应该是去核这三项，而不是选那个看起来顺眼的。
- 收录口径
- 有的站只收公开权重，有的把托管版本也放进来，混着排就不可比
- 提交方式
- 官方自报的分数和第三方复跑的分数，可信度不是一个量级
- 条目粒度
- 同一模型的不同量化或推理配置可能被当成两个条目，名称带后缀的要留意
还有一种情况是时间差：一个站上周就更新了，另一个站还在用上个月的复跑结果。所以核名次前，先看页面上的更新时间，久不更新说明维护力度在掉，这个信号比名次本身更重要。
查开源模型排名，其实分四类站点
把站点按定位分四类，你就知道该在什么场景打开哪一个，而不是每次都从头翻一遍。四类之间不是替代关系，是配合关系：综合榜当入口，社区众测当验证，垂直榜定方向，衍生汇总做对照。
| 类型 | 擅长什么 | 什么时候用 | 注意点 |
|---|---|---|---|
| 综合型榜单站 | 覆盖面广、更新勤 | 当第一入口，快速看整体格局 | 题目偏学术，和真实业务有距离 |
| 社区众测型 | 多人多时段交叉验证 | 想了解真实使用体感时 | 看清样本量和投票人群构成 |
| 垂直型 | 嵌入、多模态、语音、图像各有专榜 | 任务方向明确时 | 用综合榜挑垂直模型容易被带偏 |
| 衍生汇总型 | 把原始数据重新汇总展示 | 做横向对照 | 只能当参考，别当唯一依据 |
衍生汇总型要多说一句：它自己通常不跑评测，只是把别家的数字搬过来重新排版。好处是省事，坏处是它可能没跟上源站的更新，或者把不同口径的数字并排放。用它做对照可以，用它做决策容易踩坑。
- 综合榜：适合当入口，不适合当终点
- 社区众测：适合验证体感，要先看样本量
- 垂直榜：方向明确时优先看，通用榜参考价值低
- 衍生汇总：只做横向对照，务必回源站核对
打开一个榜单，先核这五件事再截图
很多人打开榜单第一眼就看名次，这顺序反了。下面这五项按顺序核一遍，通常两分钟就能判断这个榜值不值得信。核完再截图存档，比事后凭印象争论有用得多。
- 核收录口径看说明页是否只收开源权重、是否包含二次微调版本；口径不清的先降级处理
- 核更新节奏看是随新模型发布就更新，还是按固定周期复跑；页面上没有明确更新时间的要警惕
- 核评测方法题目是否公开、有没有防污染机制、是否存在自评分风险；这三项决定分数的可信上限
- 核可复现性按它给出的配置自己跑一遍，能不能复现；复现不了的分数只能当参考，不能当依据
- 核周边指标有没有延迟、成本、显存占用这类落地信息；只有分数的榜挑不了模型
这五步里，最容易被跳过的是可复现性。但恰恰是它最能区分「认真做评测」和「批量搬数字」。如果你没法复现，也不该直接否定，只是要把它的名次当成参考值，用第二个站交叉验证。
从榜单到自己的候选名单，中间要加一步
榜单直接给你的是一份公共排名，不是你的候选名单。中间必须加一步筛选：把公共排名过一遍你自己的硬约束，剩下的才叫候选。硬约束通常三条：任务类型、部署条件、许可证。
先按任务类型筛。通用对话、代码、检索、多模态各自对应不同的榜，别用综合榜定所有事。再按部署条件筛：显存和并发能撑到什么规模，可以到站内 /models/deploy 按模型与量化算一遍。最后按许可证筛：能不能商用、有没有附加限制，参考站内开源权重许可证相关文章，这一步筛掉的最多。
怎么持续跟而不是每次都从头翻
持续跟进的关键不是看得多，而是看得稳。固定两到三个站点作为主看对象，其余只在需要交叉验证时打开，避免被不同口径反复拉扯。看的重点也要调整：盯「新模型进入榜单」这件事，而不是盯名次升降——名次波动多半是题目或对手变了，未必说明模型本身有变化。
站内 /news/daily 用来跟发布动态，/benchmarks 用来对照测评榜单的汇总入口，两边配合比单看一处有效。想了解各家 API 侧的情况，可以去 /price-watch 看价格追踪的当时数字，别凭记忆里的旧印象做判断。
- 固定两到三个主看站，其余按需打开
- 盯新模型进榜，不盯名次升降
- 每次记录结论、日期、口径三要素，隔月回看
- 发布动态和榜单汇总两个入口配合着看
什么情况下榜单排名基本帮不上忙
有几种场景，榜单的作用会大幅下降，提前知道能少走弯路。不是说这些榜没用，而是它们的题目和你的任务分布差异太大，名次和你实际效果之间的关系很弱。
| 场景 | 为什么榜单帮助有限 | 该怎么做 |
|---|---|---|
| 高度垂直、有大量私有数据 | 通用题目测不出你业务上的差异 | 自己跑小样本验证，别只看榜 |
| 延迟、成本、并发有硬约束 | 排名靠前的模型可能根本部署不起 | 从可用配置倒推模型，而不是反过来 |
| 需要固定格式、调用工具、长链路稳定 | 这些能力很难被单一分数体现 | 只能实测，构造贴近真实的调用链 |
这些场景的共同点是：你的任务约束比榜单的评测维度更细。遇到这种情况，正确的顺序是先写清约束，再拿榜单当参考，最后用实测定性。榜单在这里的角色是排除法，不是选择法。
一份可复用的选型与跟进清单
把前面几节的动作压成一份清单，下次新模型发布时照着走一遍就行。这套流程不依赖任何一次具体排名，所以你不需要每次重新学。
- 写清三条硬约束任务类型、部署条件、许可证红线，各写成一句话，作为后续筛选的依据
- 挑候选并记录出处到 /benchmarks 与相关垂直榜单各挑两三个候选，把出处和口径一起记下来
- 按硬约束过一遍不符合的直接划掉，剩下的用 /tools/speed-test 和 /models/deploy 做小规模实测
- 存档并增量更新把结论和日期存一份，下次只更新有变化的那部分，不要每次从头重查
实测环节建议控制规模：先用几十条贴近真实场景的输入跑一轮，看能不能过基本线，再决定要不要加大投入。具体测什么、怎么记结果，站内测评工具页有更细的说明，可以去核对当时的操作说明。
别让排名替代判断
榜单是筛子不是答案，它的作用是把你从几十个模型缩到三五个，剩下的事得自己干。任何声称某个模型全面领先的说法都要打折看，任务适配才是决定因素。最终选谁，以你自己在目标数据上的小样本结果为准，这一点榜单替代不了。
排名帮你缩小范围，实测帮你做出决定，两者缺一不可。
最后提醒一点：不同站点的口径会随时间调整，你今天核过的结论过一阵可能就不适用了。所以笔记里一定要带上日期和当时的口径，回看时才知道那条结论是在什么前提下成立的。
下一步想集中看各家榜单入口和站点说明，去这里横向对照一遍，再挑两三个固定盯着。→常见问题
只看一个排名网站够不够？
不够。单站的口径、题目集和更新节奏都会影响结果，最好主看两个、需要交叉验证时再翻第三四个，并且把每个结论注明来源和看到的时间，否则不同口径的数字混在一起，很容易得出错的判断。
为什么同一个模型在不同榜单上名次差很多？
多半是收录口径和评测方式不同：有的只收公开权重，有的把托管版本也算进去；有的用自动判分，有的靠人评。先确认这几项是否一致，再看名次，不然比较没有意义。
榜单排名靠前的模型，直接拿来做业务就行吗？
不一定。榜单题目偏通用，业务里的数据分布、输出格式、延迟和成本约束都不一样。建议先按硬约束筛掉一批，再在目标数据上跑小样本对比，用实测结果定最后的选择。
多久看一次榜单比较合适？
没有固定周期，建议以事件为触发：有新模型发布、有大规模复跑、或你自己要升级模型时再看。平时只需留意主看的那两三个站有没有更新，不必天天刷。
有没有能同时看多个榜单的地方？
站内的测评榜单汇总页和众测雷达可以作为对照入口，前者方便横向比口径，后者提供多人多时段的结果。但汇总页只做搬运，关键结论还是回到原始榜单核对。
