1.4 怎么看排行榜不踩坑
「XX 模型屠榜」「开源第一」「吊打 GPT」……这类标题每月都有。这一讲教你三问看穿排行榜，不再被营销牵着走。
本讲你将学到
- 常见榜单（如 Artificial Analysis 智能指数）是谁出的、怎么算的
- 「MiMo 46 分」这类分数到底意味着什么
- 看榜三问：出品方 / 题量规则 / 跟你有关吗
- 为什么「场景实测 > 跑分」
前置：1.3 国际模型（选修）
1. 榜单是谁出的：一个例子
Artificial Analysis（AA） 是一家独立评测公司（总部旧金山），主业就是测模型、测云、测芯片，发布 AA 智能指数。它把大约 10 套测评（代码、专业文本、数学、推理等）加权合成一个总分。
本站主线模型 MiMo-V2.6-Pro 的「46 分，开源第一」就来自 AA 指数 v4.3.2（2026-09-22）——超过 Kimi K3（44 分）、智谱 GLM-5.3（45 分），在开源权重模型中排第一；但与闭源旗舰 Claude Fable 5.1、GPT-6 Astra 仍有差距。
同样的分数，标题党可以写出完全相反的两篇稿子：《开源第一！》和《仍落后闭源》。都对——取决于比较对象。这就是你需要的第一个免疫：同一份数据，说法可以有无数种。
2. 看榜三问
以后刷到任何"XX 第一"，依次问三个问题：
第一问：出品方是谁？
- 独立评测机构（如 AA）：相对中立，但加权方式见仁见智；
- 模型厂商自己：「自家测试自家模型第一」——发布会的分数，看看就好；
- 媒体/自媒体：常常只转述厂商通稿，甚至掐头去尾。
第二问：题量和规则是什么？
- 测了多少道题？什么难度？开卷还是闭卷？
- 有没有「刷题」嫌疑？（模型在训练时见过类似题目，分数虚高）
- 加权规则是什么？数学权重高和写作权重高，排名会完全不同。
第三问：跟你的场景有关吗？
榜单测的是"综合智能"，你日常用的是：写作业、读 PDF、做 PPT、翻译……综合分差 3 分，在你具体场景里可能毫无体感。反过来，长文本处理、中文文风、语音输入这些"你真正在乎"的维度，很多综合榜根本没测。
一句话总结三问
出品方决定可信度，规则决定分数含义，你的场景决定是否相关。
3. 场景实测 > 跑分
本站标准做法：拿你自己的真实任务测。
示例（10 分钟）：
- 准备 3 个你的真实任务：一篇专业课概念的解释、一段社团文案的改写、一道题的讲解；
- 把完全相同的输入分别发给 2-3 个候选 AI；
- 按你的标准打分：准不准？顺不顺？快不快？
- 赢家就是你这个场景的"第一"——比任何榜单都管用。
这就是 1.2 讲决策树的底层方法论：你的场景你的题，你的实测你的榜。
特别提醒
注意区分「模型评测」和「使用体验」：榜单测的是模型裸能力，你体验的是「模型 + 产品」（界面、限流、文件支持）的综合。免费产品的小模型可能比付费旗舰在你手上更好用——门槛低本身就是优势。
4. 本站怎么用榜单
- 对事实性数据（版本号、发布日期、价格）：标注核验日期，随官方渠道更新；
- 对能力排名：只作参考，永远让位于场景实测；
- 对营销话术（"完爆""吊打""颠覆"）：自动降权处理。
（想横向比较各模型参数？去工具箱 · 模型对比器——数据带核验日期，支持按你的场景筛选。）
跟做练习
实践（约 15 分钟）
- 打开 artificialanalysis.ai（可访问时），找到 MiMo 所在榜单，看看它前后的模型分别是谁；
- 数一数页面上有几个"分数"，想一想：如果让你给"大学生日常使用"排榜，你会加哪些维度、去哪些维度？
- 执行第 3 节的 3 任务实测法，找出你自己的「写作业场景冠军」。
下一步
选型篇完结！你现在有了完整的模型地图和免疫力。接下来进入全站最实用的方法层：同样一个 AI，为什么别人用出来效果比你好十倍？→ 2.1 差提示词 vs 好提示词
本页事实核验日期：2026-09-22（AA 指数版本 v4.3.2，分数随版本迭代变化）