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。

工具条的 全部 / 国外 / 国内 是本站人工维护的分类， 并非 BenchLM 官方数据。查阅 官方数据接口 与 benchmarks.json 可见，其返回字段中不含任何国家或地区信息（无 country / region / nationality / origin 字段）。

归类依据为厂商的主要归属地（如总部所在地），按「中国大陆厂商归国内，其余归国外」划分。 涉及子公司、被收购企业或跨境运营时，边界可能存在争议； 如发现归类有误，以厂商官方信息为准。

当前收录：国内 — 个模型 / 国外 — 个模型。 该数字随每日自动更新而变化。