模型测评

模型测评页摆的是跑出来的分数，不是厂商自己标的。 四张榜 —— 聊天、图片、视频、语音 —— 每榜 6 道题、每题 10 分，满分 60。

分数怎么来的

同一道题发给模型，按题目给的判据打分。 题面和判据在榜上原样给出，展开「题目」就能看到原题 —— 改一个字就不是那道题了。

一条里有什么

• 总分 —— 六道题加起来，满分 60
• 正确率 —— 拿到的分占总分的比例
• 每题得分 —— 点开这一行，六道题各得几分，一眼看出哪道卡住了

同一个模型为什么不止一条

榜上的名字带括号，括号里是跑的时候用的客户端或渠道： Claude Sonnet 5.5（OpenRouter） 和 Claude Opus 5.5（Pi） 是两个条目，不是重复。 同一个模型换条线路、换种问法，分数就不一样 —— 这本身就是结论。

跟「调用量」不是一回事

模型测评页有两块：

• 模型测评 —— 评测跑出来的分数
• 调用量 —— 平台上真实的调用量，按厂商归堆

一个说「谁强」，一个说「谁在被用」。别拿调用量当跑分看。

怎么用

先看自己要做的事要哪种能力，再看总分。 图像、视频、语音是分开评的，跨榜比没有意义。