怎么读模型榜单

每个新模型发布都会配一张“全面领先”的对比表。读的时候问四个问题：

1. 谁测的？ 厂商自报的成绩要打折。比如 Gemini 4 Argon 的对比表里不少行是 Google 自己算的；DeepSeek、Kimi 的对比也都是官方数据。独立评测（如 Artificial Analysis 的智能指数）更可信，见 Artificial Analysis。
2. 和谁比？ 有没有挑对手？表里缺了最强的竞品，往往说明问题。
3. 测的是什么？ SWE-bench 类测的是修真实仓库的 bug，Terminal-Bench 测的是终端 Agent 能力，WebDev 测的是网页生成审美。和你的工作相关的才有意义。
4. 差距有多大？ 两三个点的差异，在真实使用中经常感觉不到。

最可靠的榜单是你自己的：挑三五个最近真实做过的任务，存下来，每个新模型出来都跑一遍。这比任何榜单都准，也是应对模型每月一换的最好办法。