Compared(对比评测)是 AI 圈理解模型能力最常用的方式:把不同大模型放在同一组任务下比较,从而判断谁更强、适合什么场景。随着模型发布节奏加快,Compared 已经从零散的个人测试,发展出榜单、竞技场、可视化工具等多种形态,成为用户选型和技术公司宣传的重要参照。
Compared 工具与榜单近期进展
Compared 的争议与观察点
对比评测的最大争议在于"比什么才算公平"。主流竞技场以用户偏好投票为主,容易受回答风格、排版等与能力无关的因素影响;而学科基准测试又面临数据污染和过拟合问题。SemiAnalysis 播客讨论 GLM 5.3 是否达到网络安全领域 Mythos-Class 水平时,嘉宾就需要在不同评测口径之间反复交叉验证,这正是当前 Compared 方法的典型困境。
另一个值得观察的趋势是效率维度的比较权重上升。例如 TokenGate 通过学习式 token 剪枝优化预填充阶段的推理速度和内存占用,说明 Compared 正在从"单次回答质量"扩展到成本、延迟、资源占用等工程指标。
同时,模型能力的快速演进也在改变比较的语境。OpenAI、Anthropic 和 Nvidia 近期都创下单季度游说支出纪录,头部公司竞争白热化,使得每一次公开排名都带有更强的商业叙事色彩。对普通用户而言,比较结果仍有参考价值,但更稳妥的做法是把榜单当作起点,在自己的真实任务上做小规模验证,而不是把任何单一 Compared 结论当作最终答案。