评分怎么算
用公开、可复算的方法组织多家评测，帮助你缩小选择范围。
firststep-2026.10-v1 · 采集于 2026/10/04 04:16 UTC+8
Artificial Analysis
综合客观能力：采用 Intelligence Index 的公开实测值，不使用带星号的估计分数。
来源标注的批次 / 日期：页面未标明评测批次
查看来源校验值
SHA-256: b479d8a371ae0de5a8b21e0b98693d6dd6eeac2da80eaf26b716fafa5723d6d0LiveBench
动态题库：使用官方任务成绩和分类映射，重算七个大类的均值。
来源标注的批次 / 日期：2026-06-25
查看来源校验值
SHA-256: 1021e4ef211ccba609d6da2c22032f46d695c1546508cf144a58a2f3d6960f3dArena
对话偏好：采用 Text Arena Overall 的用户盲选分，保留票数和误差；初步成绩不进入综合榜。
来源标注的批次 / 日期：Oct 2, 2026
查看来源校验值
SHA-256: ab67cb156cfb6e1b171b9cc6877bb5444cc32ba71d5cf7152bad83f03881af58先固定比较对象
本期收录 39 个型号，其中 17 个型号在三家都有正式成绩，进入综合榜。缺测不补零、不补平均值；初步成绩和证据不完整的型号留在观察区。范围是本站登记的型号，不代表所有模型。
同一型号的不同推理强度分别保留，每家只选最高已测分。日期版本、Flash / Pro、不同代际不自动合并。各机构配置可能不同，因此这里比较的是型号在已观察配置下的表现，不是统一运行环境的实测。
再计算相对位置
在固定比较组内，每家机构分别按原始分从低到高计算百分位；同分使用平均位次。三家百分位各占 1/3，平均后得到 0–100 的综合参考分。
P = 100 × (below + (tied − 1) / 2) / (N − 1)
综合参考分 = (P_AA + P_LiveBench + P_Arena) / 3这是本站选择的参考口径，不是公认的“真实能力值”，也不是正确率。换一批参评模型或更新原始成绩，分数会变化；搜索、筛选和价格排序不会重新计算。保留完整精度排序，界面显示一位小数。
分项榜保留原始分
编程 = LiveBench Coding 与 Agentic Coding 的均值；推理 = Reasoning；数学 = Mathematics；语言与指令 = Language 与 IF 的均值；对话体验 = Arena Overall。分项榜来自单家机构，不能把它误读成多家共识。分项配置沿用该型号在对应来源的综合最优配置，不为每个分项挑一次最高分。
保留这些边界
评测题目和领域可能重叠，三家并不代表三个完全独立的实验。最高配置可能更慢、更贵；英文评测不能替代中文实用性。Arena 误差只适用于其原始分，我们不为综合分编造置信区间。小分差不代表稳定优势。
数据如何更新
当前为带时间标记的数据快照。维护者运行采集程序，检查来源、型号映射和覆盖变化，通过验证后发布新一版。抓取失败时保留上一版；超过七天会显示“待更新”。目前未启用定时自动发布。