最近这半年，各大模型厂商密集发布新版本，从OpenAI、Anthropic到国内的GLM、Qwen，新模型层出不穷。
问题随之而来：这些模型到底处于什么水平？性能、成本、推理速度如何权衡？
如果你也有过这样的困惑，比如GLM 4.7发布后不知道该如何评估？
那么这篇文章会帮你梳理5个主流的模型评测榜单，让你能更系统地了解各模型的实际能力。
LMSys Arena
简介：由加州大学伯克利分校LMSys团队运营的模型对标平台。
采用"人类对战评测"机制，邀请真实用户对两个模型的回答进行盲评对比。
功能特色：
- 核心机制：基于Elo评分系统排序，更接近真实使用体验而非纯学术指标
- 覆盖范围广：不仅有通用文本榜单，还分设Text、WebDev、Vision、Text-to-Image、Search、Text-to-Video等6个子榜单
- 实时更新：持续收集用户投票数据，排名动态调整
- 适合场景：产品选型、UX对比、开发者工具评估
Artificial Analysis
简介：独立的AI测评与分析公司，专注于模型性能、成本效率的客观评估，为企业和开发者提供选型决策支持。
综合排行（Models Leaderboard）：按“智能、价格、推理速度、上下文长度”等多维度给上百个模型打分，可以看到每个模型在不同能力和成本上的折中。
编码领域榜（Coding capabilities）：单独抓出“代码能力”相关基准（如代码生成、修复、竞赛题等），比较各模型在编程任务上的表现，更偏工程与生产力导向。
功能特色：
- 综合排行：按"智能程度、价格、推理速度、上下文长度"等多维度对百余个模型评分，展示能力与成本的折中关系
- 编码专项榜：单独抓取代码生成、代码修复、竞赛题等编程能力基准，面向工程与生产力场景
- 量化对标：提供详细的性能-成本矩阵，便于ROI计算
- 适合场景：企业采购决策、API选型、开发工具评估
榜单地址：
综合排行：https://artificialanalysis.ai/leaderboards/models
编码领域榜：https://artificialanalysis.ai/models/capabilities/coding
SuperCLUE
简介：国内首个面向"中文通用大模型"的权威测评体系，重点评估模型在中文任务上的整体表现，以及与国际先进模型、人类水平的差距。
功能特色：
- 中文导向：基准任务全部针对中文场景设计，包含多轮开放问答、客观题、匿名对战等维度
- 通用榜与专项榜：分别评估整体能力和软件工程(SWE)、长文本等特定领域表现
- 月度更新：持续跟踪国内外模型进展
- 适合场景：中文应用产品选型、国内模型进展追踪
榜单地址：
通用榜：https://www.superclueai.com/generalpage
专项榜单：https://www.superclueai.com/benchmarkselection?category=specialized
软件工程榜：https://www.superclueai.com/specificpage?category=specialized&name=SuperCLUE-SWE%E3%80%8C%E8%BD%AF%E4%BB%B6%E5%B7%A5%E7%A8%8B%E3%80%8D&folder=SWE
llm-stats
简介：聚合型榜单平台，将各大模型在多个公开基准上的表现集中展示，支持快速横向对比。
功能特色：
- 信息密度高：一页面展示多个模型在多个基准上的表现（MMLU、HumanEval、MT-Bench等）
- 元信息完整：同步显示价格、上下文长度、发布时间等关键参数
- 多模型对比：支持自选多个模型进行并排查看
- 适合场景：快速筛选、矩阵式对标
使用建议
这4个榜单各有侧重，选择使用需要根据你的具体需求：
| 适用场景 | 推荐榜单 |
| 想看真实用户体验对比 | LMSys Arena |
| 需要评估成本-性能比 | Artificial Analysis |
| 评估中文模型水平 | SuperCLUE |
| 快速浏览多模型全景 | llm-stats |
写在最后
需要强调的是，大模型榜单只能作为参考，不应作为唯一决策依据。
一些模型在榜单排名靠前，但实际应用中的表现可能存在折扣——这源于评测基准与真实业务场景的偏差。
同时，同一模型在不同任务上的表现差异明显，编程能力强不代表创意写作能力强。
最可靠的方式仍然是：基于你的业务场景和数据，进行小规模的自主测评，以实际使用体验为最终判断标准。
榜单可以帮你快速缩小候选范围，但最后一公里还是要自己走。