Bảng xếp hạng này được lập như thế nào

Danh sách này đến từ đâu, mỗi con số có nghĩa gì, và bao lâu thì được cập nhật.

Quay lại bảng xếp hạng

Phạm vi đánh giá Image / Video

Image và Video trích dẫn đánh giá sở thích công khai của Arena và Artificial Analysis. Số đơn vị được khử trùng lặp theo đơn vị vận hành; nhiều bảng tác vụ của cùng đơn vị không phải nhiều đơn vị độc lập hay chứng nhận năng lực toàn diện.

Văn bản thành ảnh, chỉnh sửa ảnh, văn bản thành video và ảnh thành video được xem riêng. Các bảng video có âm thanh của Artificial Analysis tạo nhóm riêng. Điều kiện âm thanh của Arena theo từng mục nguồn, không được coi là thử nghiệm đồng nhất không âm thanh. Mỗi bảng xếp riêng, không cộng điểm giữa tác vụ, điều kiện âm thanh hay mức chất lượng.

Các ô giữ tên mục nguồn, ngày thu thập, số mẫu đã ghi nhận và khoảng. Preliminary là nhãn của nguồn, không phải xếp hạng của chúng tôi. Số mẫu thiếu không điền bằng 0; khoảng chồng lấp không chứng minh ưu thế có ý nghĩa thống kê.

Giá và thời gian tạo của bên thứ ba có tab riêng, không ảnh hưởng độ phủ hay thứ hạng chất lượng. Giá giữ đơn vị và cấu hình. Thời gian nêu nhà cung cấp và điều kiện: trung vị yêu cầu thành công trong ba ngày, gồm tải xuống nhưng không thử lại. Đây không phải giá hay số đo ChinaAPI và không chứng minh mô hình tại đây không bị trôi chất lượng.

Cách chọn nguồn

Chỉ dùng các bảng xếp hạng gốc mà ai cũng mở được: cùng một địa chỉ, cùng một con số, ai cũng kiểm chứng được. Mỗi con số đều ghi lại trang đã đọc và ngày đọc.

Không thu thập dữ liệu vào lúc có yêu cầu. Dữ liệu nằm trong một tệp của kho mã, và mỗi lần cập nhật là một Pull Request đẩy ngày chụp lên, nên thay đổi gì đều thấy rõ trong diff.

Không sao chép nguyên bảng điểm tổng hợp hay xếp hạng gộp của bất kỳ bên thứ ba nào. Việc chọn, sắp xếp và gán trọng số là công sức của họ; chúng tôi chỉ trích dẫn từng con số gốc có thể kiểm chứng.

Ý nghĩa các con số và cách sắp xếp bảng

Văn bản dùng thuật toán v15 mã nguồn mở của AIHOT: so sánh các mô hình cùng được đánh giá với trọng số cố định rồi giảm tối đa bất đồng tổng thể. Danh sách và dữ liệu đã xác minh khác AIHOT nên điểm và thứ hạng cũng khác.

Trọng số cố định: đánh giá tổng quát 30%, lựa chọn ẩn danh của con người 10%, đánh giá chuyên biệt 60%. Dữ liệu thiếu không được thay bằng 0 hay phân bổ lại trọng số. Nguồn và trọng số hiện có ở bảng dưới.

Điều kiện xếp hạng: ít nhất 3 nguồn, 3 họ đánh giá, 3 đơn vị vận hành, 3 nhóm chuyên biệt và 2 mô hình tham chiếu trực tiếp, phát hành trong vòng 18 tháng. Mô hình thiếu bằng chứng vẫn hiển thị nhưng không có thứ hạng.

Mỗi nguồn chọn mục theo ưu tiên cấu hình cố định, không chọn điểm cao nhất. Đồng thuận Kemeny quyết định thứ hạng; điểm hiển thị 0–100 dựa trên chi phí đảo thứ tự liền kề và mô hình tham chiếu cố định, không phải độ chính xác. Bộ lọc giữ nguyên thứ hạng toàn bảng.

Khoảng nhạy cảm được tính lại khi bỏ nguồn, bỏ đơn vị vận hành, thay trọng số ±20% hoặc bỏ qua khoảng số liệu. Đây không phải khoảng tin cậy thống kê.

Điểm Terminal-Bench phụ thuộc vào cả mô hình lẫn agent scaffold điều khiển nó, nên con số này bắt buộc phải nói rõ tác tử nào đã tạo ra nó. Trang này trích cột mà Artificial Analysis chạy với cùng một harness cho mọi mô hình — mini-SWE-agent v2.4.6, 66 tác vụ, pass@1 lấy trung bình 3 lần lặp mỗi tác vụ — và harness được ghi trong phần chú thích nguồn của cột đó. Trước đây bảng chính thức của benchmark được trích theo cách lấy hàng tốt nhất của từng mô hình, khiến các mô hình khác nhau có thể rơi vào những harness khác nhau; khi cả cột dùng chung một harness, thứ được so sánh là bản thân các mô hình chứ không phải mô hình cộng với scaffold tốt nhất của nó.

MLCR-AA được trích trong chế độ xem «Y tế» đến từ cùng đơn vị vận hành với bảng chính (Artificial Analysis) nhưng không phải một thành phần của bảng đó: Artificial Analysis đánh dấu nó là đánh giá độc lập nằm ngoài Intelligence Index, nên đây là bằng chứng thực sự độc lập, khác với hai cột phía trên. Benchmark nền là MLCR mã nguồn mở của Wisedocs: tổng hợp đa tài liệu trên các hồ sơ bệnh án tổng hợp khoảng 25.000–64.000 token, dựng lại trình tự thời gian, quan hệ nhân quả, diễn tiến điều trị và mức liên quan tới yêu cầu bồi thường, với câu hỏi chia sáu bậc độ khó. Nó đo khả năng suy luận trên hồ sơ dài, không phải năng lực y khoa nói chung, và không phải lời khuyên y tế.

Con số do chính nhà cung cấp công bố chỉ xuất hiện khi không có bảng độc lập nào ghi nhận mô hình đó. Nó được ghi chú rõ và không bao giờ tham gia sắp xếp.

Khi nhãn dòng của bảng khác với tên mô hình chúng tôi cung cấp (bản preview, bản pro, mức độ phân giải khác), nhãn gốc của bảng được in ngay dưới ô. Chúng tôi không lặng lẽ gán điểm của mô hình khác.

Cột “Ngày ra mắt” là ngày phát hành do nhà cung cấp công bố cho mô hình, không phải ngày mở bán trên trang này: ngày được lấy theo thông báo phát hành chính thức của chính nhà cung cấp, tên mô hình mang hậu tố ngày (như -260628) dùng ngày mà hậu tố thể hiện. Ngày do các bảng xếp hạng bên thứ ba như Epoch ghi nhận chỉ dùng để đối chiếu, không lấy trực tiếp. Khi không tìm được ngày có căn cứ, ô sẽ để “—” thay vì phỏng đoán.

Phạm vi

Phiên bản đầu tiên bao gồm văn bản và đa phương thức, tạo ảnh và tạo video. Tổng hợp giọng nói và nhận dạng giọng nói tạm chưa đưa vào: các bảng công khai mà trang này dùng không bao phủ chúng, và để trống vẫn hơn là bịa ra một thứ hạng.

Danh sách gồm các mô hình Trung Quốc được bán tại đây, các mô hình mới đã xác minh đang được theo dõi và các mô hình quốc tế để đối chiếu. Có tên trong danh sách không có nghĩa là đã được cung cấp trên ChinaAPI; trọng số mở không đồng nghĩa với giấy phép ít hạn chế. Mô hình chưa đủ bằng chứng sẽ không được xếp hạng. Các mô hình quốc tế giúp so sánh vị thế của mô hình Trung Quốc.

Miễn trừ trách nhiệm

Trang này không phải là đánh giá của riêng chúng tôi. Chúng tôi không tham gia thiết kế, thực hiện hay chấm điểm bất kỳ bài kiểm tra nào trong số này.

Thứ hạng thay đổi khi các nguồn cập nhật. Trang này chỉ đúng với ngày chụp dữ liệu ghi ở đầu trang.

Một bài đánh giá công khai đo hiệu năng trên chính các tác vụ mà nó kiểm tra, vốn có thể không giống việc của bạn. Hãy chọn mô hình bằng cách tự thử trên trường hợp sử dụng của mình.

Tên gọi, thương hiệu và nội dung của mỗi nguồn thuộc về chủ sở hữu tương ứng; trang này chỉ trích dẫn và diễn giải.

Nhịp cập nhật

Không có tác vụ định kỳ và không có đồng bộ tự động. Dữ liệu chỉ thay đổi qua một Pull Request: đọc lại các nguồn, cập nhật con số và ngày lấy dữ liệu, đẩy ngày chụp lên, rồi phát hành cùng bản kế tiếp sau khi được duyệt.

Điều đó có nghĩa là trang có thể chậm hơn lần làm mới mới nhất của một bảng. Chúng tôi chọn “kiểm chứng được và có ngày tháng” thay vì “thời gian thực nhưng không ai rà soát”.

Ngày “Bảo trì” phía trên bảng chỉ đi theo danh mục thu thập: nó thay đổi khi thêm mô hình hoặc nguồn trích dẫn mới, còn việc chỉ đọc lại số liệu không làm nó dịch chuyển — đó là việc của ngày chụp dữ liệu. Ngày này được buộc vào số lượng danh mục, số lệch thì bản dựng thất bại, nên nó không thể âm thầm lỗi thời.

Các nguồn công khai được trích dẫn trên trang này

  • LMArena Text Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_style_control, category overall), published 2026-10-02, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · lấy ngày 2026-10-05
    Giấy phép: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • Artificial Analysis Intelligence Index
    Artificial Analysis · Intelligence Index · Intelligence Index v4.3.2, read 2026-09-22; its figures are not comparable with the v4.3 figures this page quoted from its 2026-09-12 read. v4.3.1 refreshed the pairwise judge panels of AA-Briefcase and GDPval-AA, and v4.3.2 moved GDPval-AA to v2.1 (Elo scale anchored to DeepSeek V4.1 Flash (max) at 1600, fitted with a Crowd-BT model) and refitted AA-Briefcase v1.1 with Crowd-BT, so rows moved without any model changing. v4.3 had already swapped τ³-Banking out of the index for AutomationBench-AA and Terminal-Bench v2.1 for v4.0. The leaderboard's default Status: Current filter hides rows Artificial Analysis marks deprecated; they still render with Status set to All and are re-read from that view like any other row (CA-948). A trailing * is reproduced as the board prints it: the board's data marks that score as estimated (intelligenceIndexIsEstimated), i.e. not every evaluation in the index had been run for that model · lấy ngày 2026-09-22
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • SuperCLUE 智能指数
    SuperCLUE · 总分 (overall) · 2026-07 evaluation, published 2026-08-06. The homepage reads this edition from its data file (/data/generalboard/2026年7月.xlsx, sheet 总排行榜, last modified 2026-09-11), which also carries rows evaluated after publication, each with its own evaluation publication date (the latest 2026-09-11); the page's Latest Update line refers to a different sub-board · lấy ngày 2026-10-04
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Epoch Capabilities Index (ECI)
    Epoch AI · General ECI · live board · lấy ngày 2026-10-04
    Giấy phép: CC BY 4.0, as labelled on the page (https://creativecommons.org/licenses/by/4.0/)
  • Vals Index
    Vals AI · Accuracy (GDP-weighted finance, coding, legal and tax) · V2.2, page updated 2026-10-22; complete current cohort read 2026-10-23. Finance Agent v2.1 replaces v2 in this index; figures are not comparable with the V2.1 snapshot. Missing exact builds are not carried forward. · lấy ngày 2026-10-23
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Vendor's own evaluation card
    the model's own vendor · varies; the benchmark is named in each row · self-reported · lấy ngày 2026-09-22
    do nhà cung cấp tự công bố, không dùng để sắp xếp
  • LMArena Text-to-Image Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_to_image, category overall), published 2026-09-24, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · lấy ngày 2026-10-05
    Giấy phép: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Image Edit Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (image_edit, category overall), published 2026-09-30, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · lấy ngày 2026-10-05
    Giấy phép: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Text-to-Video Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_to_video, category overall), published 2026-09-22, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · lấy ngày 2026-10-05
    Giấy phép: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Image-to-Video Arena
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (image_to_video, category overall), published 2026-09-22, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · lấy ngày 2026-10-05
    Giấy phép: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Text Arena · Chinese
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_style_control, category chinese, prompts in Chinese), published 2026-10-02, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · lấy ngày 2026-10-05
    Giấy phép: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • LMArena Text Arena · Coding
    LMArena (arena.ai) · Arena score (Elo) · Hugging Face dataset lmarena-ai/leaderboard-dataset (text_style_control, category coding), published 2026-10-02, revision 46919c467f7f. Each rating is rounded half-up to a whole number and its interval is rating_upper minus rating, as arena.ai prints them; the dataset carries no Preliminary badge, so each citation records its row's vote count instead, and row names follow the dataset, which can trail a rename on arena.ai · lấy ngày 2026-10-05
    Giấy phép: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), as labelled on the dataset card (https://huggingface.co/datasets/lmarena-ai/leaderboard-dataset)
  • Artificial Analysis · Output Speed
    Artificial Analysis · Median output tokens/s · live board; measured by Artificial Analysis against the vendor's own API, not through ChinaAPI. Rows Artificial Analysis marks deprecated are read with the leaderboard's Status filter set to All (CA-948) · lấy ngày 2026-09-22
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Artificial Analysis · GDPval-AA v2.1
    Artificial Analysis · Agentic Real-World Work Tasks, (Elo-500)/2000 (%) · GDPval-AA v2.1, live board, read 2026-09-22. 220 agentic task-completion tasks with file outputs, ranked pairwise by a panel of three frontier LLM judges; since v2.1 the Elo scale is anchored to DeepSeek V4.1 Flash (max) at 1600 and fitted with a Crowd-BT model, so its figures are not comparable with the v2 figures this page quoted from its 2026-09-12 read. The column prints clamp((Elo-500)/2000). It carries 10% of the Agents category inside Intelligence Index v4.3.2, so this column is a component of the AA Intelligence Index shown as an individual source, not an independent operator. Rows Artificial Analysis marks deprecated are read with the leaderboard's Status filter set to All (CA-948). The column is hidden until the leaderboard's Intelligence group is expanded · lấy ngày 2026-09-22
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Artificial Analysis · Terminal-Bench v4.0
    Artificial Analysis · Agentic Coding & Terminal Use (%) · Terminal-Bench 4.0 (66 tasks), run by Artificial Analysis with the mini-swe-agent harness, pass@1 averaged over 3 repeats per task; read 2026-09-22. When this column replaced the benchmark's own board on 2026-09-07 the methodology page named the harness as mini-SWE-agent v2.4.6; on 2026-09-21 it and the evaluation page name mini-swe-agent without a version, and every figure quoted before then read back unchanged. One harness for every model, so the column compares models rather than model-plus-best-scaffold — which is why it replaced the benchmark's own board, whose rows are agent × model and covered one Chinese model out of 34 (CA-788, overturning CA-734). It carries 10% of the Coding category inside Intelligence Index v4.3.2, so this column is a component of the AA Intelligence Index shown as an individual source, not an independent operator. Rows Artificial Analysis marks deprecated are read with the leaderboard's Status filter set to All (CA-948). The column is hidden until the leaderboard's Intelligence group is expanded · lấy ngày 2026-09-22
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Artificial Analysis · MLCR-AA
    Artificial Analysis · Medical Long Context Reasoning (%) · MLCR-AA, live board, read 2026-09-22. Artificial Analysis marks it a standalone evaluation that is NOT part of Intelligence Index v4.3 — unlike the GDPval-AA v2 and Terminal-Bench v4.0 columns, this one is not a component of the AA Intelligence Index shown as an individual source, only the same operator. The underlying benchmark is Wisedocs' open MLCR (Wisedocs-AI/medical-long-context-reasoning): synthetic medical records of roughly 25,000-64,000 tokens, graded across six tiers from locating a single fact to expert-level clinical synthesis. It measures multi-document reasoning over long records, not medical capability in general. The main leaderboard carries no column for it; the figures were first read off the evaluation page's chart (2026-09-07) and since 2026-09-22 from the per-model pages' payload, which carries every model the chart can show (CA-956) · lấy ngày 2026-09-22
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Artificial Analysis Text To Image
    Artificial Analysis · Elo · live board; exact row settings retained · lấy ngày 2026-09-13
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Artificial Analysis Editing
    Artificial Analysis · Elo · live board; exact row settings retained · lấy ngày 2026-09-13
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Artificial Analysis Text To Video · With Audio
    Artificial Analysis · Elo · live board; with audio pool; exact row settings retained · lấy ngày 2026-09-13
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.
  • Artificial Analysis Image To Video · With Audio
    Artificial Analysis · Elo · live board; with audio pool; exact row settings retained · lấy ngày 2026-09-13
    Trang đó không nêu giấy phép sử dụng lại, nên trang này ghi rõ nguồn và liên kết ngược về trang gốc.

Tệp dữ liệu

Toàn bộ dữ liệu của trang này có sẵn ở dạng máy đọc được: /api/model-rankings (2026-10-23)