这份榜不是官方发布,也不是哪家权威测评机构出品,而是B站UP主"梦涟真红"11月19日发布的一条个人视频。它的评判标准直接写在视频简介里:综合分为六维加权——推理与科学35%、编程开发20%、智能体与工具20%、事实可靠性15%、长上下文5%、专业工作5%,底层数据取Artificial Analysis v5.0.1、LiveBench(11月6日版)、Vals AI v2.2和Arena官网公开成绩共30项测试。榜单从27款一夜涨到28款,是因为谷歌在11月18日正式发布了Gemini 4 Neon。哔哩哔哩哔哩哔哩小红书
榜内的名次结构才是它刷屏的原因:新上榜的Neon以82.27分空降全球第2,正面反超GPT-6.2 Astra,编程、智能体、专业工作三项全榜第1,AA幻觉率低至14.4%,与分列第4、7、9位的Carbon、Argon、Hydrogen一起,让Gemini 4一家占了前十中四席。评论区调侃"元素周期表开会",但更多用户把它当成正经问题:19日当晚,"网传28款主流AI大模型强度排行,该榜单的评判标准是什么?"挂上了知乎热榜。哔哩哔哩知乎
这张榜值不值得信,取决于能不能绕过三个坑。第一是口径混用。AA智能指数本身就是四大能力类别各占25%的合成分数,LiveBench、Vals和Arena又各有各的评测体系,把这些不同口径的成绩再加权揉成一个总分,只能看大致方向,撑不起"高2分就更强"的精细解读。第二是档位没拉齐。同一个模型,最低档和最高档的得分能差出20分,比较前提不统一,名次就没有意义。第三,这些测试回答的只有"智力"一件事,价格、速度和中文场景都不在里面,换个口径答案完全不同:11月5日SuperCLUE发布11月通用测评榜单,19个国内外模型覆盖五个维度,国外最高分不参与正式排名,正式第一是月之暗面Kimi K3.1 Pro(61.46分)。另一条梳理海外榜单的视频则显示,三年43个月里榜首换了21次,2024年以后基本只在OpenAI、谷歌、Anthropic三家之间转手。知乎知乎AI情报站华军软件园哔哩哔哩赛博旅人Ken
还有一个耐人寻味的细节:这条视频简介写明,脚本、动效、渲染全流程由Gemini 4 Neon自己完成——而它正是榜上的第2名。UP主在简介末尾也留了免责声明:这个榜只看跑分,跑分高不一定好用,纯属图一乐,别当选购指南。哔哩哔哩哔哩哔哩

对普通用户来说,这张28款榜更合适的用法是当一份月度格局速览:能看出谷歌七周里连发四款Gemini 4、新模型直接冲进第二,也能看出头部竞争已经收窄到三家之间。真要决定用哪个模型,阅读顺序得反过来:先定自己的任务和场景,再找覆盖该场景的评测榜,把档位、版本拉齐,最后把分项成绩、价格和速度放在一起比较。"综合第2"不等于干活比"综合第7"更顺手——这一点,做榜的人自己已经写在了简介里。小红书
当前文章无评论,是时候发表评论了