模型評測

更新時間：2026-09-03

mempalace

目前基準測試表現最佳的開源人工智慧記憶系統。

更新時間：2026-08-28

open_llm_leaderboard

開放大語言模型排行榜是一個由Hugging Face維護的開源大語言模型評測平台，用於透明地比較和跟踪各類開放模型的性。

更新時間：2026-08-28

GPT-4

當年的標尺，穩和貴一起出名，現在更多是拿來對比，不建議新專案從它起步。

更新時間：2026-08-29

gpt-oss-120B

OpenAI 終於把大號開放權重放出來了，能自託管是硬優點，機器和維運成本也是真帳單。

海外免費+3

更新時間：2026-08-29

LMArena

通過真實使用者投票對比 LLM 輸出品質的公開評測平台。

更新時間：2026-08-29

OpenAI o1

把‘先想一會兒再答’做成產品的型號，數學科研有記憶點，現在屬於推理史老前輩。

更新時間：2026-08-29

Giskard

開源的智慧代理評測與測試庫，自動發現品質問題。

更新時間：2026-09-03

OpenAI o3

專門啃難題的推理款，數學程式碼常能一把梭，但速度和費用要有心理準備。

更新時間：2026-08-29

Artificial Analysis

獨立的模型與 API 效能分析站：品質、速度、價格。

更新時間：2026-08-29

Grok 4 Heavy

並行推理堆料型選手，難題和研究任務有冲劲，貴和慢是它繞不開的副作用。

更新時間：2026-08-29

LangWatch

大模型評測與智慧代理測試平台，覆蓋上線前後觀測。

更新時間：2026-09-03

ChainForge

視覺化程式設計環境，用來批次對比和压測提示詞效果。

更新時間：2026-09-03

Laminar

面向智慧代理的開源可觀測平台，追蹤每一步呼叫。

海外免費+3

更新時間：2026-09-03

agentops

用於AI智慧代理監控、LLM成本追蹤和基準測試的Python SDK。

更新時間：2026-08-28

Kimi k1.5

長文和視覺推理是招牌，適合把一堆資料丢進去問，穩定性看具體場景。

中國地區付費+3

更新時間：2026-08-29

Agentic Security

面向大模型與智慧代理的開源漏洞扫描與红隊工具。

更新時間：2026-09-03

Text-to-Image-Leaderboard

圖像競技場排行榜是一個用於比較不同圖像產生模型效能的公共評測平台。

更新時間：2026-08-28

leaderboard

排行榜是用於評估大語言模型在真實世界問答任務中表現的基準測試平台。

更新時間：2026-08-28

Simon Willison 部落格

高頻更新的 LLM 實用觀察與工具評測。

更新時間：2026-09-03

Deep-Reinforcement-Learning-Leaderboard

深度強化學習排行榜，汇總各算法在標準基準測試中的效能排名。

更新時間：2026-08-28

OpenRouter 文件

多模型聚合閘道的路由與計費文件。

更新時間：2026-09-03

神經語言模型的缩放定律

揭示參數、資料與算力關系的經典論文。

更新時間：2026-09-03

WildBench

排行榜（V2）是一個用於評估大語言模型在多樣化真實任務中表現的基準測試平台。

更新時間：2026-08-28