致知｜大模型智力长期追踪榜单

平时高频使用各种大模型写代码、跑 Agent，最头疼的就是怎么挑模型——毕竟现在很多公开评测基准都被厂商 “刷榜（背题）” 刷得失真了，纸面分数很高，实际用起来却经常翻车。

这里分享一个我平时常看的第三方评测站：

致知｜大模型智力长期追踪榜单（由开发者 llm2014 维护）。

相比于大厂发通稿常用的公开跑分，这个榜单有几个非常接地气的亮点：

作者维护了一套不公开的私有测试集（涵盖日志分析、规则推导、代码编写、空间折叠等接近真实人类直觉与工程场景的题目），并且每月滚动更新，最大程度挤掉了模型死记硬背的水分。

从 2024 年至今按月归档，清晰划分了逻辑、编程与视觉三大板块，还能按“快/慢思考（推理模式）”或国家地区进行筛选。

平时纠结该给哪个模型充 API、或者想看最新模型有没有 “降智” 时，去翻一下它的月榜非常有参考价值。