LMArena
打开官方来源 ↗- 问题
- 人们在盲测成对偏好评估中如何比较回复？
- 方法
- 众包成对人类偏好评估，类别持续演进，并开展考虑置信度的排名研究。
- 版本
- 实时榜单 / 特定类别
- 局限
- 偏好、风格、抽样和用户自选择效应不能证明工作流经济性或事实可靠性。
- 维护状态
- 每月复核方法与运营方
- 权利
- 仅链接
可信中心 / 模型证据
模型证据，而非万能排名。
使用信誉良好的评估来回答明确的工作流问题。本登记表链接至来源的方法说明与榜单；它不复制当前排名数值、不合并不可比的指标，也不把质量分数带入经济计算公式。
返回工作台准入约定
01先问问题，再看顺序
每个来源都必须说明它能够和不能回答的决策问题。
02先看方法，再看指标
提示词、评审者、类别、刷新方式和不确定性都应随链接一并说明。
03先确认权利，再展示数据
在明确获得数据复用权之前，产品只链接至来源运营方，不复刻榜单。
全球证据登记表
可信来源，按各自维度使用。
当前状态经过有意的保守处理。“仅链接”表示该来源可帮助用户发现证据，但工作台不会声称拥有或再分发其结果。
Stanford HELM
打开官方来源 ↗- 问题
- 透明、可复现的场景评估说明了什么？
- 方法
- 学术评估；按榜单发布提示词、场景、指标和结果语境。
- 版本
- 特定榜单与发布版本
- 局限
- 不同榜单的覆盖范围和新鲜度各异；较旧且范围狭窄的榜单不能代表当前通用能力。
- 维护状态
- 按发布版本与榜单复核
- 权利
- 仅链接
LiveBench
打开官方来源 ↗- 问题
- 系统在定期更新且有标准答案的客观题上表现如何？
- 方法
- 带日期的多类别发布，通过定期刷新降低数据污染。
- 版本
- 特定发布版本
- 局限
- 不同发布版本的难度和覆盖范围会变化，因此跨版本次序不能直接互换。
- 维护状态
- 按发布版本与代码仓库复核
- 权利
- 仅链接
Artificial Analysis
打开官方来源 ↗- 问题
- 独立测量的能力、速度、延迟和价格有何差异？
- 方法
- 发布方法说明和定义明确的 API 指标，并明确要求注明来源。
- 版本
- 持续更新的运营方数据集
- 局限
- 综合指数和提供商映射需要解释；对外再分发还需单独获得许可。
- 维护状态
- 每月复核方法与条款
- 权利
- 仅链接
LiveCodeBench
打开官方来源 ↗- 问题
- 编程系统在新发布的竞赛题上表现如何？
- 方法
- 持续更新的编程评估，使用较新的竞赛题并涵盖多种代码能力。
- 版本
- 特定数据集发布版本
- 局限
- 竞赛编程不能代表代码仓库维护、产品架构或长期运行的智能体工作。
- 维护状态
- 候选来源 / 代码仓库复核
- 权利
- 候选
产品边界
证据用于判断用户自定的门槛，绝不会成为经济计算中的隐形乘数。
日后报告引用来源时，应将有日期的发布版本、方法、映射置信度和已知局限与成本决策一并保留。