88Z.ai / 排行榜
排行榜计算方法
把规则写清楚，方便核对，也方便搜索引擎和语言模型引用。
本站最近采集时间：2026-11-13 06:41 (UTC+8, Asia/Shanghai)。各来源的发布日期见表中或文末引用。
原则
- 只收录可公开核验的测评数据，每条分数都带来源 URL 和日期。
- 本站不重跑基准，也不把缺项写成 0 分。
- 综合榜以模型系列为单位，同一系列多个变体取综合分最高者，并在名称旁标明变体。
综合分权重
| 组成部分 | 权重 | 原始指标 |
|---|---|---|
| Artificial Analysis Intelligence Index | 28% | aa_intelligence |
| LMArena 文本对战 | 28% | lmarena_text_overall |
| LiveBench 2.0 综合 | 22% | livebench_overall |
| 编程综合 | 15% | coding_composite |
| 推理综合 | 7% | reasoning_composite |
先在每个指标内部按当时样本做最小-最大规范化（0–100），再按上表加权。若某模型缺少某一组成项，则在剩余项中按原比例重新归一。进入综合榜的条件：Artificial Analysis、LMArena 文本、LiveBench 三项中至少占两项，或总分项至少三项。
分榜
编程综合是 WebDev、LiveBench 编程、Aider Polyglot 与 SWE-bench Verified（mini-SWE-agent 协议）中已有分数的平均值（先规范化）。推理综合是 LiveBench 推理、LMArena 数学和 SuperCLUE 数理推理的平均值。中文榜优先展示 SuperCLUE 总分，并同时给出 LMArena 中文对战分。视觉、图像与视频榜直接使用对应 Arena 总体分。性价比结合能力分与成本；速度使用 Artificial Analysis 的每任务耗时。对战热度使用文本 Arena 的场次，不是本站流量。
不能直接混比的地方
不同基准的样本、提示词、工具权限和评分协议并不相同。Arena 分数是相对对战分，不是百分制正确率。SWE-bench 本站只采用 mini-SWE-agent 协议，以避免把不同智能体脚手架的成绩当成模型差距。开源标记以来源提供的许可字段为准，可能不完整。
数据来源
- LMArena 文本对战（风格控制） — 官方 Arena 排行数据集 text_style_control / latest。分数为 Arena Score（Bradley-Terry）。
- LMArena 网页开发对战 — 官方 webdev / latest，衡量前端与网页生成对战表现。
- LMArena 视觉对战（风格控制） — 官方 vision_style_control / latest。
- LMArena 文生图对战 — 官方 text_to_image / latest。
- LMArena 文生视频对战 — 官方 text_to_video / latest。
- LMArena 智能体对战 — 官方 agent / latest 聚合分。
- Artificial Analysis Intelligence Index — 来自官方公开榜单页的 Intelligence Index、每任务成本、每任务耗时与首 token 延迟。
- LiveBench 2.0 — 官方 CSV 成绩。综合分按官网公式计算：Long Agentic ×2、Design ×1.5、Coding ×1.5，其余套件 ×1，再对已有套件做加权平均。
- Aider Polyglot — 官方 polyglot_leaderboard.yml，指标为第二轮通过率（pass_rate_2，225 道跨语言习题）。同一模型多次提交取最高分。
- SWE-bench Verified（mini-SWE-agent） — 官方 leaderboards.json 中 Verified 榜、mini-SWE-agent 协议下的 resolved 百分比，便于在相近脚手架下比较模型。不同智能体的成绩不可直接混比，本站综合编程分只采用该协议。
- SuperCLUE 中文通用榜 — 官方通用榜 Excel（按月份发布）中的总分及分项。
常见问题
- 这些分数是怎么来的？
- 全部来自公开测评或官方发布的机器可读数据，每一项都标注来源链接和日期。本站不编造分数，也不把缺项当成 0 分。
- 综合分如何计算？
- 先把各来源分数在该来源内部做最小-最大规范化，再按 Artificial Analysis 28%、LMArena 文本对战 28%、LiveBench 22%、编程综合 15%、推理综合 7% 加权。缺少某项时，只在已有项之间重新分配权重。至少要有两项主流测评（或三项分项）才会进入综合榜。同一系列多个变体只保留综合分最高的一条。
- 本站价格和评测是一回事吗？
- 不是。评测分数来自第三方公开榜单；人民币价格是本站模型目录的参考价（1 元 = 1,000 积分），按实际用量结算。二者分开展示，避免把计费和能力混为一谈。
- 多久更新一次？
- 采集任务每天自动运行。来源本身可能不是每天都发布新成绩，所以页面会同时给出本站采集时间和来源发布日期。