大模型评测榜（Benchmark）

AI知见编辑部 · 基础概念 · 持续更新

一句话说清

用标准化考题给AI模型打分排名，类似AI界的"考试成绩"。

主流榜单分两类：做题类（MMLU、HumanEval，考知识和编程）和竞技场类（LMArena，真人盲测投票）。前者容易被"针对性训练"刷分——题库泄露后分数就失真了；后者更接近真实体验但也有审美偏差。

正确用法：榜单只适合初筛"这个模型属于哪个梯队"，具体到"写周报好不好用""读文献准不准"，榜单完全答不了。这也是我们坚持做实测的原因。

新模型发布必晒榜单，但刷分现象严重。普通人选AI别看榜单，看实际干活效果——我们的实测评分就是为此存在。