方法说明

RankingIA 不自行测试。它汇总衡量不同能力的公开榜单，并与价格、上下文一起集中展示。数据每天采集一次。

数据来源

• LiveBench：客观基准，每个版本都有新题以避免数据污染。我们使用 LiveBench 2.0 总分及各类别分数。
• LMArena (arena.ai)：用户匿名比较两个回答并投票，形成 Elo 分数。我们使用文本、WebDev 和视觉竞技场。同一模型有多个模式（"High"、"Max"）时取最佳 Elo。
• OpenRouter：每百万 token 价格、上下文窗口、发布日期以及是否开放权重。
• Artificial Analysis：智能指数、Humanity's Last Exam、Terminal-Bench、GPQA 和长上下文，以及价格和速度。已启用。
• Frankfurter：欧洲央行参考汇率，用于以其他货币显示价格。

RankingIA 评分

1. 总榜收录至少有一项客观基准（LiveBench 或 AA 智能指数 或 Humanity's Last Exam）的模型，其余模型列于"其他模型"，不计评分。
2. 对每项指标计算百分位：该模型超过的上榜模型比例（并列算一半）。这样 Elo 与正确率都落在 0–100 的同一尺度上。
3. 评分是该模型已有百分位的加权平均。缺失的指标不计入，既不加分也不扣分。
4. 为避免证据较少的模型凭单一指标登顶，平均值额外加入权重 1、百分位 50 的一项。

指标	权重	来源
LiveBench	3	LiveBench
AA 智能指数	3	Artificial Analysis
Arena 文本（Elo）	2	LMArena
Arena WebDev（Elo）	1	LMArena
Arena 视觉（Elo）	0.5	LMArena
Humanity's Last Exam	1	Artificial Analysis
Terminal-Bench	1	Artificial Analysis

类别

每个类别有自己的评分：其各项指标百分位的平均值，采用相同的收缩处理。类别及其指标如下：

类别	指标
智能体	LiveBench 长程智能体, Terminal-Bench
编程	LiveBench 编程, Arena WebDev（Elo）
推理	LiveBench 推理, Humanity's Last Exam, GPQA Diamond
数据分析	LiveBench 数据分析
研究	LiveBench 研究, 长上下文推理
设计	LiveBench 设计, Arena WebDev（Elo）
浏览器操作	LiveBench 浏览器
对话	Arena 文本（Elo）
视觉	Arena 视觉（Elo）

模型的演进

同一系列的模型（例如 Claude Opus 3、4、4.5 和 5.5）按去掉版本号后的名称归为一组。每个模型页面按发布顺序展示整个系列。

模型名称

各来源的命名方式不同（"Claude Opus 5.5 (High)"、"anthropic/claude-opus-5.5"）。我们用去掉公司、日期和推理模式后的键进行匹配；规则无法覆盖的情况放入人工维护的别名列表。如发现模型重复或混淆，请提交 issue。

局限

• 百分位取决于群体：强模型加入后，其他模型可能在没有变差的情况下名次下降。
• Elo 衡量的是偏好而非正确率，回答风格和长度会产生影响。
• 价格取自 OpenRouter（各提供商中的最低价）；厂商直售价格可能不同。

其他参考

以下网站同样跟踪 AI 模型，但不计入评分：

• BenchLM：汇总数百项基准。其条款规定，在公开网站展示其数据需另行签订协议。
• Stanford HAI — AI Index：关于 AI 现状的年度报告，并非每日更新的逐模型榜单。
• SWEN.AI：仅基于 Artificial Analysis 数据的葡萄牙语排行榜，RankingIA 已直接使用该来源。

数据源状态

来源	最近采集	数据日期
OpenRouter	ok	2026/10/30 11:45
LiveBench	ok	2026/10/30 11:45
LMArena	ok	2026/10/30 11:45
Artificial Analysis	ok	2026/10/30 11:45
Câmbio do BCE (Frankfurter)	ok	2026/10/30 11:54

各来源的数据归其所有者，并遵循其条款。RankingIA 代码以 MIT 许可证开源：github.com/RicardoBiazin/RankingIA。