前沿AI大模型双盲评测榜单

成功率指大模型在执行复杂的多步规划、工具调用、代码及浏览器自动化任务时的成功比例。目前此类任务对 AI 极具挑战性。

基于用户双盲对比投票，采用 Bradley-Terry 算法计算出的相对竞技能力分值（Elo 积分），分数越高代表盲测中表现越优异。

反映模型在沙盒环境中现场生成可运行网页应用的相对实力积分，涵盖代码正确性、界面还原度与多步推理能力。分数越高代表前端开发能力越强。

反映模型在理解输入图片、图表分析、视觉常识推理及多模态对话上的相对实力积分。

基于用户双盲对比投票计算出的搜索增强类任务（如 RAG、实时信息检索问答）的相对实力积分。分数越高代表实时检索整合能力越强。

反映模型在上传长文档（PDF/Doc等）解析、长文本上下文理解、要点精炼与问答任务上的相对实力积分。

反映图像生成模型在对齐用户提示词、画面细节清晰度以及视觉美学设计上的相对实力积分。

反映视频生成模型在生成画面的物理真实感、动作流畅度、时间相干性以及画质清晰度上的相对实力积分。