现在各大模型厂商都在不断推出新模型，眼花缭乱。
很多人想知道不同模型到底处于什么水平，比如最近 GLM 4.7 出来很多人很想知道水平怎样，往往得四处打听，可不同人给出的答案又不一样。
那有没有一些榜单，能让我们一眼看出它们的大致实力？
这篇文章给大家分享几个比较不错的榜单，大家可以适当参考。
常见榜单
lmarena
- 平台特点：由 LMSys 团队运营，采用“人类对战评测”（Arena，对比两家模型回答，用户盲评哪一个更好），用 Elo 评分做排序，更贴近真实使用偏好。
- 覆盖范围：不仅有通用文本，还分 Text、WebDev、Vision、Text‑to‑Image、Search、Text‑to‑Video 等多个子榜单。
- 使用价值：适合想看“在真实用户眼里，哪个模型更好用”的场景，比如选聊天、写作、写网页的小白或开发者。
https://lmarena.ai/zh/leaderboard
Artificial Analysis
Artificial Analysis 是一家独立的AI 测评与分析公司，自我定位是“独立的 AI benchmark & analysis 公司”，专门做模型性能、成本等对比评估，为企业和开发者提供选型参考。
综合排行
https://artificialanalysis.ai/leaderboards/models
综合排行（Models Leaderboard）：按“智能、价格、推理速度、上下文长度”等多维度给上百个模型打分，可以看到每个模型在不同能力和成本上的折中。
编码领域
https://artificialanalysis.ai/models/capabilities/coding
编码领域榜（Coding capabilities）：单独抓出“代码能力”相关基准（如代码生成、修复、竞赛题等），比较各模型在编程任务上的表现，更偏工程与生产力导向。
SuperCLUE
面向“中文通用大模型”，重点关心“在一系列中文任务上的整体表现如何，和国际模型、人类水平差距多大”。包含多轮开放问答、客观题、匿名对战等多个子基准，按月更新。
通用榜
https://www.superclueai.com/generalpage
专项榜单
https://www.superclueai.com/benchmarkselection?category=specialized
https://www.superclueai.com/specificpage?category=specialized&name=SuperCLUE-SWE%E3%80%8C%E8%BD%AF%E4%BB%B6%E5%B7%A5%E7%A8%8B%E3%80%8D&folder=SWE
llm-stats
做成“信息面板”，集中展示各大模型在多种公开基准上的分数，同时附带价格、上下文长度等元信息，可对多个模型进行横向对比。
https://llm-stats.com/leaderboards/llm-leaderboard
写在最后
需要强调的是，大模型榜单只是一个参考。
有些模型在榜单上的表现非常不错，但实际使用的话可能会有一些折扣。
而且同一个模型在不同的任务上，它的表现也会有差异。我们还是要以自己业务实际的测评，自己实际的使用体验为准。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
