适合观察开放式问答的用户偏好；高分不保证每个事实都正确。
AI 模型数据与跑分排名
不只看一个总分：分别查看通用对话的人类偏好，以及 Agent 完成真实任务的表现。
2026-10-25最近核查2独立榜单20排名条目
适合观察工具调用与多步骤任务；会受到执行环境和配置影响。
先确认任务类型、日期、票数与误差范围，再结合价格和速度选择。
BENCHMARK SNAPSHOT
| 排名 | 模型 / 厂商 | 分数 | 票数 | 95% 区间 |
|---|
为什么不能只看跑分？
榜单会变化
新模型加入、投票增加或评测规则调整都会改变相对排名。
不同分数不能混算
Text 的相对评分和 Agent 的任务胜率不是同一种指标。
产品不等于模型
ChatGPT、Cursor、Dify 等产品可能调用多个模型，还叠加搜索、工具和工作流。
最终要用真实任务试
用自己的中文写作、代码、表格或视频任务做小样，才是最可靠的选择依据。