口径、取舍与局限。

一、数字从哪里来

能力分只有两个来源：Artificial Analysis 的 Intelligence Index（经 OpenRouter 公开字段透传），以及 LMArena 的社区盲测 Elo。前者是统一 harness 的标准化考试，后者是真人两两对比的偏好分。两者口径不同，不能互相换算。

价格取 OpenRouter 的公开 API 定价，统一换算为「每百万 token 美元」。上下文取模型主数据里的最大输入长度。开源与否取 models.dev 的 open_weights 字段。

图像和视频没有 AA 指数，直接使用 LMArena 对应品类的盲测 Elo：文生图、图像编辑、文生视频、图生视频、视频编辑。每条都带票数和 95% 置信区间。

二、怎么归一化

同一条模型常有多个推理档位（high / max / xhigh）和日期快照。我们剥掉档位与日期后缀，同模型取最高分，但保留「票数」作为可信度权重。

跨源名称不完全一致：models.dev 用 id，OpenRouter 用 slug，LMArena 用营销名。匹配规则是「厂牌前缀裁剪 + 名称规范化 + 同厂唯一命中」，对不上就留空，不做模糊相似度匹配。宁可缺一个分，不把 A 的分数安到 B 头上。

只保留近 15 个月发布、且 AA 智能指数不低于 28 或在竞技场有足够票数的模型。历史型号和供应商副本不进主表，避免把「还能用」和「值得选」混在一起。

三、选型判断怎么下

每个场景给三个位置：主力、性价比、专项。主力是综合能力与稳定性最好的；性价比是在可接受质量下最便宜的；专项是某个具体任务明显更强的。

判断依据分三层：先看与该任务最接近的第三方指标（写报告看文档竞技场，做视频看视频竞技场），再看价格和上下文是否匹配工作流，最后看社区长期口碑。三层不一致时，以第一层为主，但在页面上写明分歧。

我们不假装选型是客观的。每一条建议都写清「为什么」和「什么时候不成立」。如果一条建议在你的任务里失效，那是这条建议的边界，不是数据的错。

四、票数与置信区间

竞技场 Elo 是统计估计，不是绝对分数。票数少的新模型，区间可能宽到覆盖十几个名次。本站的规则是：票数低于 2,000 的模型，名次只作参考，不进入「主力」推荐。

页面上的「95% 区间」是 LMArena 给出的 rating_lower / rating_upper。两个模型的区间重叠时，谁排前面都不算显著。

这也是为什么我们不给「全球第几」这种绝对说法。榜单每天在变，票数每天都在补。

五、已知局限

基准不等于你的任务。通用 prompt 跑出来的第一，放到工程图纸、地方政策、甲方语境里，可能完全不是一回事。所有推荐都需要你用 3–5 个真实任务复测。

中文任务在公共榜单里占比低。中文语感、政策理解、行业术语，这些维度更多依赖编辑判断和社区反馈，不是 Elo 能给出的。

价格变化快，尤其是促销、峰谷价、批量折扣。本站显示的是公开标价，不含折扣；实际成本按你的用量和时段重算。

模型版本会悄悄更新。同一个名字，隔一个月能力可能变了。我们每周存快照，就是为了让「什么时候测的」有据可查。

六、更新与纠错

每周一上午自动采集并重建页面，四个主源全量跑一次，同时存一份周快照。任一源失败，页面直接标红，不拿上周数据顶替。

判断部分按月校准。模型换代、价格大幅变化、或收到三条以上同类反例时，会重写对应场景，不悄悄改历史。

发现错误请写信到 baihoujing@baihoujing.com，带上页面链接、原始来源和截图。核实后会在当周修正，并在页脚标注修订日期。

七、模型能力和产品能力不是一回事

同一个模型，放进 ChatGPT、Gemini、Claude 的产品里，会多出联网、文件上传、深度研究、Canvas 这些封装能力；直接调 API，这些通常要自己接。

本站的能力分按模型算，价格按 API 标价算；工作流建议按「模型 + 产品」一起说。看到「可以联网」时，先确认你说的是产品还是 API。

订阅价和 API 价也不是一套账。轻度使用，订阅通常更便宜；批量、自动化、要接进自己的系统，才按 token 算。

一句话总结

榜单给的是同一套题下的横向比较；选型给的是特定任务下的取舍。前者尽量客观，后者必然是判断。我们把两者分开写，也把失效条件写在明面上。

最后更新：2026-10-18。口径变化会写在这里，不悄悄改历史数据。