大模型能力排行榜

榜单展示的区间是 BenchLM 的 Retrospective residual ranges（回溯性残差区间）， 由该证据模式的历史预测误差（残差）反推得出，并非概率意义上的置信区间， 官方也从未验证它是否真的覆盖 90% 的情形。

区间按可信度分为三档： 直接计算证据充分的模型，区间由完整证据直接算出； 独立校准该证据模式有足够独立样本，区间基于本模式历史残差； 借用池·未验证该模式样本过少、借用全局区间池，官方明确声明覆盖未经校验。 三档可信度递降，不应混为一谈。

更重要的是：区间不能用来比较名次。官方字段 orderingMeaning 原文为 “Point-estimate order; conditional ranges do not establish rank confidence.” 本站实测：相邻两名平均分差约 0.31 分，而区间平均宽度约 22.66 分， 前 10 名区间 100% 互相重叠。名次接近时，请勿当作能力差异。

依据 BenchLM 方法论 · 官方数据接口 的 uncertaintyPolicy 与 interval90 字段。