公开的大模型排行榜可以帮助我们了解主流模型，并比较它们在日常对话、编程、中文理解等方面的表现。有些网站还提供价格和速度数据，方便按需求选择模型。

Arena：比较真实使用中的偏好

Arena 原名 LMArena，模型和对比结果在榜单页。页上按任务类型列出模型，可见 WebDev、文生图和智能体等名单；新发布的模型也会标出它在这些名单中的位置。配置名常带 Max、High、Medium 等思考档位。做网页或应用生成时看 WebDev，需要模型连续操作时看智能体名单，同时留意具体版本和思考档位；不同厂商同名的档位不一定代表相同设置。榜单还把部分配置的任务费用和表现放在一起，便于去掉成本明显高于同类的选项。

这份榜来自用户对实际输出的选择，适合观察哪些配置更常被选中，而不是某项功能测试是否通过。

Artificial Analysis：同时看表现、价格和速度

LLM 榜单把综合表现、完成评测任务的费用和耗时、首次给出答案的等待时间、上下文窗口列在同一张表里。模型按具体配置分行，例如同一模型的 Max 和 Low 是两行。可以按开源权重或专有、是否为推理模型缩小范围；点模型名能进入详情，并比较不同 API 提供商。首页还把综合表现、单任务耗时和单任务费用放在一起，并提供编码智能体等分项指数。低档位通常更快更便宜，高档位综合表现往往更高，是否提高档位要把这几列一起看。

这里的费用是提供商按 token 计费的 API 价格，以及完成其评测任务的估算成本，不是 ChatGPT、Claude 等产品的订阅月费。耗时也对应其评测任务和接口表现。

DeepSWE：比较仓库里的编程能力

要在真实开源仓库里改代码，可用 DeepSWE。首页榜单列出各配置的思考档位、任务通过情况、平均费用、输出 token 和智能体步数，也可以只看每套模型最好的档位。任务集包含 113 道题、91 个仓库。通过情况接近时，比较费用、输出长度和步数，可以看出相近成绩背后的资源消耗差异。步数不是等待时长，不能用来推算会等多久。

它衡量的是配置能否在仓库中自主完成功能正确的改动，并不评价代码是否好维护，也不反映 Claude Code、Codex CLI 等产品里的完整体验。

同类官方榜还有 SWE-bench，按能否解决来自 GitHub issue 的仓库问题排列，并区分 Verified、多语言、多模态等分榜。两份榜的任务来源和验收方式不同，名次不宜直接对换。

SuperCLUE：中文场景的综合参考

SuperCLUE做中文大模型的综合测评，通用评测页给出综合分数。系列还包括文本、多模态、推理、Agent 和应用等；工作更偏 Agent 或多模态时，应看对应系列，而不是只记一个通用综合分。官网把推理时间和价格单独列出，没有算进综合分，可以一并用来估计开销。

ModelDial：比较思考档位和分项分数

已经有几款候选，还想看同一模型不同思考档位差在哪里、各项分数是否均衡时，可用 ModelDial。编程能力榜分后端工程、前端交互、知识推理、视觉审美和可维护性，默认展示综合分最高的完整档位。模型目录和对比页可以把两三个配置放在一起看。另有中文题集的文本能力榜，比较理解和写作成稿。

做前端时可先看前端交互和视觉审美，再决定是否提高档位；做后端则更宜看后端工程和可维护性。题目来自其自建私有评测集，并不公开；页上的耗时和费用是当次评测记录。

怎么一起用

不必把每个网站的名单都从头读完。确定工作类型后，打开对应的那一两个页面，比较候选模型的具体版本、能力分项和成本即可，不必强求不同厂商的思考档位名称一致。选出两三个候选后，再用自己的任务试一遍，确认输出、工具调用和延迟是否合适。