评分规则

文本榜先看这三点

• 直接取用 Epoch AI、LiveBench、Vals AI 和 Arena 的原始成绩，不读取其他汇总站的排名。
• 先把不同评测换成统一刻度，再按用途合成榜单。分数越高越好，但不是准确率，也不是百分制。
• 按用途看分榜更实用。小分差不能证明谁一定更强；价格不参与能力评分。

图像、视频与语音怎么排

图像、视频、语音的综合总览汇集各能力方向领先的模型，支持搜索和开源筛选。按方向直接保留评测方的原始名次和成绩，不套用文本榜加权公式，也不跨任务合成总分。图片理解、生成、编辑，视频生成与编辑使用 Arena 的用户偏好结果；视频理解使用 Video-MMMU 官方网页的正确率，作为早期型号参考榜。

语音识别采用 Open ASR 的默认英语短音频词错误率；配音听感采用 TTS Arena V2，按来源的评分区间下界排名，所以显示分数更高不一定排得更前。中文配音采用 Open TTS 的中文 Seed-TTS 与 CV3-Eval 结果，衡量是否读对文字，不代表自然度。识别和中文配音的错误率越低越好。

任务与语言范围、初步结果、退役型号、来源日期在各榜单标明。单一评测方的结果不代表多方共识；未接入的能力不借用其他任务成绩代替。各榜统一提供开源筛选，模型名称旁展示开放状态；缺少可核实依据的型号标为“待核实”，不会当作闭源或自动纳入开源筛选。

五个领域怎么加权

综合榜偏重编程。专业办公覆盖金融分析、法律办公、医疗编码和表格数据处理；知识问答包括事实问答、语言理解和指令遵循，不代表所有专业知识。

什么模型可以上榜

综合榜要求至少两个独立评测方，编程至少三个评测家族，科研、专业办公、知识问答各至少两个；只展示发布 18 个月内的型号。证据不足的模型进入“待观察”。

同一型号、同一评测优先选择来源声明的最高推理档位，不按分数挑最好的一次。同一家族总权重为一，避免重复计算。无法确认型号身份的记录、不同专属代理配置和已知旧型号回退暂不纳入。

“开源模型”的筛选口径

本站采用行业常用称呼，按模型权重是否公开筛选。权重是模型训练后的参数，可以下载并自行部署；具体使用权限以模型许可证为准。

媒体榜依据逐模型许可证或来源的公开权重标记显示状态：MIT、Apache 2.0、CC BY 4.0 标为“开源”；明确非商用许可标为“受限开放”；仅有来源开放标记的显示“开源·来源标记”；专有许可标为“闭源”；未核实的自定义许可标为“待核实”。筛选包含前三类，展开模型可查看原许可与依据。榜单数据集的许可不用于判断模型是否开源。

公开权重不等于严格开源。按 OSI 的开源 AI 定义，还需提供修改模型所需的代码和训练数据信息，并允许使用、研究、修改和分享。本站的筛选只依据权重是否公开，不代表开源认证。

新模型与新版本怎么收录

近期发布按日期展示近 90 天已收录的文本型号，包括主榜前 30 名之外以及评测不足的模型。型号目录来自 Epoch AI，另直接核对 DeepSeek 官方版本表和更新日志；当前不保证覆盖全部厂商的新发布。

官方发布只用于确认型号和发布日期，不把厂商自报成绩混入排名。新版本尚无能明确对应的完整评测时，标为“新版本待评测”，不沿用同系列分数。新版本的权重是否公开需要单独确认，不从旧版本继承开源标记。

榜单每日取数不等于每日重新评测。详情页分别显示实际测量日期、来源更新时间和本站取数时间；来源未公开测量日期时明确标注，不能用取数时间代替。官方核对失败则保留上次记录与时间，并提示信息可能过期。

没有测到的部分怎么办

缺测不会记零。领域能力围绕整体能力收缩；某个领域完全缺测时，只能用整体能力估计。模型详情会单列缺测领域，并显示每项原始成绩与配置。

“评测较少”表示该榜已测评测家族不超过一半，括号显示已测数 / 总数；“单一机构”表示当前只有一家评测机构的成绩。这些是证据覆盖提示，不是能力差，也不是统计置信度；没有标记也不保证排名稳定。

接近满分或零分的成绩只提供能力边界，明显异常的单项会限制影响。价格由评测方维护，以供应商最终价格为准；缺项留空。