评测方法与数据口径

一、维度与权重

市面上的榜单常见两种毛病：一是只比「知识问答」，导致会背书的模型排名虚高；二是只比「跑分」，把延迟和成本完全忽略。本榜把两者拆开，并在综合分里刻意压低纯知识权重：

维度	权重	构成	为什么这样配
推理	28%	GPQA-D 38% + AIME 32% + HLE 30%	真实任务里最难替代的能力
代码	28%	SWE-bench Verified 48% + LiveCodeBench 52%	最接近生产力的单一指标
知识	16%	MMLU-Pro 60% + GPQA 40%	仍需保留，但降低权重防「背题」
数学	10%	AIME 2025 全卷	区分思考型的核心考题
指令遵循	8%	IFEval	工程可用性的底线
人类偏好	10%	LMArena Elo 归一	防止评测集过拟合，引入真人盲测

二、计算公式

所有原始分数先归一到 0–100。HLE（人类最后考试）原始分数普遍在 3–30 之间，为与其他维度可比，乘以 3.3 后截断到 100：

各维度加权求和：

人类偏好 Elo 归一（以 1250 为 0 分，每 2.4 分 Elo 折 1 分）：

最终硬核指数：

性价比与实战指数：

三、价格口径

各家定价的输入/输出比例不同，直接比单价会失真。本榜统一按典型 Agent 负载的 输入 : 输出 = 1 : 3 计算混合价：

价格得分取对数刻度，避免低价模型被无意义地拉开差距（0.1 美元 / 百万 token 记 100 分）：

速度指第三方实测的输出吞吐中位数（tokens/s），240 tok/s 记满分；首字延迟（TTFT）单独列出，因为思考型模型的首字延迟天然偏高，但它并不代表「卡」。

四、数据来源

类别	来源	用途
官方报告	各厂商模型卡与技术报告	基准分数一手来源
公开榜单	LMArena、SWE-bench 官方榜、LiveCodeBench	交叉验证与补全
第三方实测	独立评测机构的吞吐/延迟与 API 复测	速度、延迟、稳定性
定价	各厂商 API 官方价格页	输入/输出单价

当前数据快照为 2026-10，版本 v3.2，共收录 28 个模型、7 个基准评测集、14 家厂商。

五、局限性

• 基准会过拟合。任何公开评测集被长期使用后都会污染，分数上涨不等于能力上涨。
• 加权是主观的。28% / 28% 的权重适用于通用 Agent 场景；你的业务可能是 80% 的长文档摘要，那时该看的是上下文与吞吐，而不是综合分。
• 分数是静态的。同一模型在不同温度、系统提示、工具链下表现差异很大，尤其代码类任务。
• 价格会变。促销价、阶梯价、缓存命中价都会影响真实成本，本榜取标准列表价。

结论：把这张榜当筛选器，不要当裁判。先按维度缩到 3 个候选，再用你自己的 20 条真实任务跑一遍，才算选完。

六、免责声明

本站为第三方聚合评测站，与所列厂商无隶属或代理关系。所有商标归各自所有者。榜单数据用于技术选型参考，不构成采购承诺或性能担保。如发现数据错误，欢迎通过页脚联系方式纠错，我们会在下次快照中修订并记录变更。