跳到正文

排序怎么算

了解 Danbo AI资讯 评分怎么算，以及每个分数背后的公开成绩。

EVIDENCE BEFORE CONCLUSIONS

先看评分，再看所长。

综合榜与四类榜单最多展示 30 个模型。Danbo AI资讯 评分帮助快速比较；分项成绩说明各有所长，证据覆盖说明已有评测的范围。

评分是基于公开评测折算的综合比较指数，不是答题正确率，也不表示所有任务的绝对能力。具体用途请结合分项原始成绩和运行配置。

  1. 01

    先核验型号与运行配置

    统一模型名称、版本与推理配置，按预先确定的规则选代表运行，不挑最高分。统一固定工具且全程同一型号可以采用；多模型回退、混合模型与专属异构 Agent 系统不混排。配置未公开就保留未知，不据此断言混用了模型。

  2. 02

    按能力分配，重复证据不加权

    综合榜按八个能力维度等权分配，每维占 12.5%。维度内再分配到评测题族，同一题库的重复成绩、榜单切片与已用分项的综合指标不叠加计权。新增评测先核对题目与协议的重叠关系。

  3. 03

    用同协议参照校准真实分差

    只比较同一评测协议下双方都有的成绩，用预先固定参照组的四分位距校准连续分差，避免把微小领先和大幅领先都当成同一票。缺测不补分，未知标准误不当成零。

  4. 04

    算成评分，方便比较

    汇总共同评测的相对成绩差，寻找冲突较少的参考顺序。在保持顺序的条件下，将共同成绩分差拟合为 0–100 的 Danbo AI资讯 评分；各项原始成绩供进一步核对。

A BALANCED VIEW

八个能力维度，各占相同份额。

编程、数学与推理、知识与事实、语言理解与指令、写作与表达、视觉理解、专业任务、中文与多语言各占 12.5%。这是均衡取向的公开选择，不是通用能力的天然权重。每个维度先分配题族份额，再处理题族内的评测；同题重复不会增加总权重。已采用分项时，包含它们的综合指标不再重复计入。缺失份额不转给其他证据。

  • 编程12.5%本轮参与：DeepSWE v1.1 · LiveBench · 编程综合
  • 数学与推理12.5%本轮参与：LiveBench · 推理与数学 · FrontierMath v2 · Tiers 1–3 · FrontierMath v2 · Tier 4 · Chess Puzzles · Mystery Game Puzzles
  • 知识与事实12.5%本轮参与：SimpleQA Verified · GPQA Diamond
  • 语言理解与指令12.5%本轮参与：LiveBench · 语言与指令
  • 写作与表达12.5%本轮参与：Creative Writing v3 · Longform Writing
  • 视觉理解12.5%本轮暂无可计入证据
  • 行业专业任务12.5%本轮参与：APEX-Agents 1.1 · Vals Finance Agent
  • 中文与多语言12.5%本轮暂无可计入证据

编程、推理、知识、专业办公四类榜单保留独立入口，只比较对应能力的公开成绩；分类评分与参考位次不能跨分类比较。公开评测来自同一机构时，不能当成多个独立机构。更多评测只有补充不同的有效证据才有价值，数量本身不增加某个能力维度的总份额。

你可能还想知道

Danbo AI资讯 评分怎么看？
0–100 分，越高表示该模型在本榜的综合表现越强。分数根据共同评测的实际分差拟合，不是按名次逐个扣分，也不会自动给榜首满分。它不是正确率或胜率；请在同一榜单、同一轮内比较。
为什么不同名次可能同分？
评分只显示一位小数；差距很小，或各项评测存在冲突、无法用一个分数完全表达时，可能同分。此时仍按原来的共同评测排序，不额外编造 0.1 分的差距。
参考位次能说明谁一定更强吗？
不能。它是当前公开成绩在指定规则下的浏览顺序，不是全世界所有任务的绝对能力排名。实际体验还受产品版本、推理预算、工具环境与任务类型影响。相邻位次不代表显著差距。
证据覆盖百分比是什么？
它表示该模型已有成绩覆盖了多少预设评测权重。覆盖高说明已知的范围更广，不代表能力更强，也不是正确率。缺失的份额不转给其他评测，更不补成零分或平均分。
共同评测的相对成绩差是胜率吗？
不是。它汇总双方共同评测中经过固定参照校准的连续分差，正负只表示相对方向，不表示获胜概率或显著领先。两两比较可能相互冲突，完整参考顺序要同时处理这些关系。
为什么不直接取每个模型的最高成绩？
最高成绩可能对应更高推理预算、不同工具或不同评测协议。代表配置的选择规则必须先确定，不能看到结果后挑分。使用同一推理档位名称，也不保证计算量完全相同；具体配置在成绩旁保留。
评测重复、污染和误差能全部消除吗？
不能。我们按公开题库与协议检查重复，并限制同一题族的份额；无法确认的题目重叠和训练污染仍是局限。上游未公开样本级结果或标准误时，无法补造可靠误差，也不会把未知当成零。
新模型什么时候会出现？
Danbo AI资讯 每天检查四次上游结果。只有评测方实际发布了新模型的成绩，才能用于参考顺序；网页刷新、价格更新或我们的抓取时间，都不算重新评测。
某家榜单暂时打不开，会怎样？
仍有效的来源快照可继续使用。相同评测版本内，临时漏行最多沿用最近七天已核验的记录；仍在公开榜中保留的有效成绩，不因数值长期不变被删除。官方撤回、更正、换版会相应失效或替换，不保留历史最高分。整轮计算失败时保留上一轮有效榜及原时间。
价格或速度会影响参考顺序吗？
都不会。价格只供你了解 API 的使用成本，统一按每百万 Token 展示，并保留厂商官方来源。它不代表订阅费用。
查看计算细节与当前版本

方法版本：2026.10-observed-evidence-v17。模型身份、代表配置、题族归属、维度权重、参照组与计算输入均保留版本。参考顺序采用加权不完整 Kemeny 排序，最小化与共同评测相对成绩差的冲突；只发布求解达到最优且满足资格与连通条件的结果。可能存在多个同样最优的顺序，固定展示顺序不代表已精确分开所有型号，数学求解最优也不代表真实能力顺序已获证明。

每项评测先确认协议和方向，再以固定参照组在同协议下的四分位距（中间一半参照成绩的跨度）校准连续分差。参照不是当前参榜模型的动态最高分或最低分；新增极端成绩不会因此重新拉伸其他模型的尺度。至少有四个有效参照且四分位距大于零才可校准；不足时等待有效参照。方向统一后的原始分差除以冻结的四分位距，再截断到 −1 至 1。它是相对成绩差，不是天然能力单位。

评分在参考顺序确定后拟合：对每对共同评测的型号，以共同证据份额 W 加权，让分数差尽量接近标准化的平均成绩差 d，最小化 Σ W·(xᵢ−xⱼ−dᵢⱼ)²；同时约束 x 不与已发布顺序反向。本轮有效参照型号的 x 均值固定为 0，再按 100 / (1 + 9⁻ˣ) 映射为 0–100 分，参照中心为 50、相差一个拟合单位对应 90 或 10。这个尺度是公开约定，不是测得的概率。不同分类、轮次及方法版本不直接比较；新增有效证据或参评型号可改变拟合分数，筛选页面不会重新计算。

加权拟合借鉴 HodgeRank 的成对比较思路，本榜额外约束分数顺序。它会压缩冲突，不能把全部任务表现保真地浓缩成一个数字。拟合结果、实际参照和残差随计算轮次保存，未达到有效求解条件时不发布新轮次。

标准误已公开时保留其误差信息；未公开时保留未知，不设为零，也不把标准化分差说成概率。缺测不补零、不补均值；共同证据不足或不连通时，不强行编造跨组的确定顺序。覆盖比例表示已覆盖的评测权重，不能解释成对最终参考位次的精确贡献率。

综合榜至少需要三个来源、三个题族、三家机构、三个能力领域，并与至少两个固定参照有直接可比成绩。分类按其可用来源要求最多两项来源和两家机构、至少一个参照。发布超过十八个月的型号退出当前排序，已有详情页保留注明时间的历史记录。

没有逐题数据时不能把展开的模型对数量当成独立样本量。已公开的成绩不涵盖所有可能偏差，也不能替代对未知成绩的研究。评分不附带未经验证的统计置信度。

固定参照型号：claude-fable-5、gpt-5-6-sol、kimi-k-3、qwen-3-8-max、gpt-5-4、claude-opus-4-8、claude-sonnet-5、grok-4-5、gemini-3-5-flash、glm-5-2、claude-sonnet-4-6、qwen-3-7-max、kimi-k-2-6、deepseek-v-4-pro、qwen-3-6-plus、minimax-m-3、gpt-5-4-mini、grok-4-3。参照组用于校准评测尺度，不指定任何厂商应排第几。与评测协议一起冻结并保留版本，协议变化时重新核验。

查看每一份评测证据 →