วิธีที่เราประเมินผล

Podium Score รวม 5 ตารางอันดับเป็นตัวเลขเดียวที่เปรียบเทียบได้

สูตรคะแนน Podium

Podium Score = 0.35·Arena + 0.30·Benchmarks + 0.20·Intelligence + 0.15·LLM Stats

  • Arena (35%) — คะแนน Elo จากการแข่งขันแบบตัวต่อตัวตามความชอบของมนุษย์ (Arena.ai, 722 โมเดล, ถ่วงน้ำหนักคะแนนโหวตด้วยช่วงความเชื่อมั่น)
  • Benchmarks (30%) — ค่าเฉลี่ยของผลเบนช์มาร์กที่ปรับมาตรฐานทั้งหมดที่เราติดตามสำหรับโมเดล (25 เบนช์มาร์กทั้งหมด)
  • Intelligence Index (20%) — ดัชนีสติปัญญาแบบรวมของ Artificial Analysis
  • LLM Stats (15%) — คะแนนรวมที่เผยแพร่โดย llm-stats.com

เมื่อแหล่งใดไม่มีค่าสำหรับโมเดล น้ำหนักของมันจะถูกกระจายตามสัดส่วนไปยังแหล่งที่เหลือ — โมเดลจึงไม่ถูกลงโทษเพียงเพราะไม่อยู่ในลีดเดอร์บอร์ดใดลีดเดอร์บอร์ดหนึ่ง

การปรับมาตรฐาน

สัญญาณแต่ละตัวถูกปรับ min-max เป็นมาตราส่วน 0–100 ทั่วทั้ง 767 โมเดลที่ติดตาม ดังนั้นคะแนน 80 หมายถึง "อยู่ที่ 80% ระหว่างโมเดลที่แย่ที่สุดกับดีที่สุดที่สังเกตได้" เสมอ เบนช์มาร์กแบบเปอร์เซ็นต์ใช้ค่าดิบ; Elo ดัชนี และราคาถูกปรับมาตรฐานเทียบช่วงที่สังเกต

คะแนนหมวดหมู่

นอกเหนืออันดับโดยรวม เรายังคง 17 ลีดเดอร์บอร์ดหมวดหมู่ แต่ละอันสร้างจากเบนช์มาร์กที่เกี่ยวข้องกับงานมากที่สุด:

  • Coding — SWE-Bench Verified, SWE-Bench Pro, LiveCodeBench, SciCode, Terminal-Bench, HumanEval.
  • Math — AIME 2025, FrontierMath, MATH.
  • Reasoning — GPQA Diamond, HLE, ARC-AGI-2.
  • Agentic — OSWorld, Toolathlon, MCP Atlas, τ²-Bench Retail, Apex Agents.
  • Knowledge — SimpleQA, MMLU-Pro, MMMLU.
  • Multimodal — MMMU, MMMU-Pro, CharXiv-R, ScreenSpot-Pro.
  • Coding Agents — SWE-Bench Verified, SWE-Bench Pro, Terminal-Bench Hard, τ²-Bench Retail.
  • Scientific Reasoning — GPQA Diamond, Humanity’s Last Exam, SciCode.
  • Multilingual — Multilingual MMLU.
  • Writing — IFBench, Arena Elo.
  • Chat & Assistants — Arena Elo, IFBench.
  • Research — Humanity’s Last Exam, GPQA Diamond, MMLU-Pro.
  • Tool Calling — Toolathlon, MCP Atlas, τ²-Bench Retail.
  • Long Context — MRCR v2, Context window.
  • Speed — Output tokens/s.
  • Value — Blended price /1M, Cost per task.
  • Open Weights — Podium Score.

แหล่งข้อมูล

ข้อมูลทั้งหมดรวบรวมจากลีดเดอร์บอร์ดสาธารณะห้าแห่ง:

  • Arena.ai — last synced 2026-08-04.
  • Artificial Analysis — last synced 2026-08-03.
  • LLM Stats — last synced 2026-08-02.
  • Vellum Leaderboard — last synced 2026-07-24.
  • LLMBase — last synced 2026-08-04.
  • Convly AI Models Database — ความต้องการ VRAM และ GPU ขั้นต่ำสำหรับโมเดล open-weight (การอนุมานในเครื่อง) ใช้ภายใต้สัญญาอนุญาต CC BY 4.0

ความถี่ในการอัปเดต

เราซิงก์แหล่งทั้งหมดทุกสัปดาห์; การเปิดตัวโมเดลสำคัญจะเริ่มรอบอัปเดตทันที การรีเฟรชครั้งล่าสุด: 2026-10-26

ข้อจำกัด

ไม่มีเบนช์มาร์กใดสมบูรณ์แบบ และความชอบในอารีนาไม่เท่ากับความเหมาะกับงาน ใช้ลีดเดอร์บอร์ดรายหมวดและเครื่องมือเปรียบเทียบสำหรับการตัดสินใจเฉพาะกรณีใช้งาน โมเดลพรีวิวมีเครื่องหมายและอาจเปลี่ยนแปลงเมื่อมีโหวตและผลลัพธ์เพิ่มขึ้น

0 / 4
เปรียบเทียบเลย →