AI 模型排行榜
基準評測排行榜
對 AI 模型進行排序、按價格區間篩選、審查置信水平並檢查基準評測的對話軌跡。
有哪些基準評測類別被納入排名？
AI-Ladder 將模型排名組織在文本、代碼、視覺、文檔、圖像生成和影片生成基準中，使開發者能對比細分能力切片，而非僅依賴一個混合總分。
應該如何使用這個排行榜？
使用篩選器縮小範圍（按供應商、價格和上下文窗口），然後打開數據溯源追溯或將選定的模型移入對比沙盒。應將排名視為決策的參考證據，而非最終答案：當模型評分接近時，置信區間、基準類別覆蓋率以及來源時間戳都至關重要。
程式基準解讀 caveat
- SWE-bench Verified 仍可作為歷史與特定 scaffold 下的訊號，但 OpenAI 已將它視為對 frontier model 越來越受污染的指標，並建議使用 SWE-bench Pro 作為較乾淨的程式能力證據。
- SWE-bench Pro 與 Bash Only 結果不能不加標籤混用：同一個基礎模型會因 scaffold、工具預算、上下文策略或 agent harness 不同而出現明顯分數差異。
- 自 2025-11-18 起，SWE-bench Verified 與 Multilingual 只接受具開放方法和論文或技術報告的學術團隊與研究機構提交，因此新的產品型 agent 結果可能會先出現在其他榜單。