但实际看下来，反而是最混乱的一块。

网址：https://lmarena.ai/leaderboard

简介与特点：
这个榜单是由 UC Berkeley（加州大学伯克利分校）团队主导的。伯克利在AI领域的地位非常高，可以类比国内的清华、北大，甚至在某些方向上更强一点。

它和传统“跑分榜单”最大的区别在于：不测题，而是测人。
具体做法是把两个模型的回答放在一起，让用户盲选哪个更好，最后通过大量投票形成排名（类似Elo评分机制）。

这意味着它衡量的其实是：

• 输出是否自然
• 回答是否有用
• 是否符合人类直觉

而不是单纯的“做题能力”。

怎么用：
如果你是做应用（写代码助手、客服、Agent等），这个榜单的参考价值很高，因为它更接近真实用户体验。

局限性：

• 主观性强，不同用户偏好差异大
• 对“数学推理 / 极限能力”不敏感
• 容易受到提示方式影响

网址：https://superclueai.com/homepage

简介与特点：
这是国内比较成体系的一套评测框架，它把模型能力拆成两大类：

• 推理能力（数学 / 科学 / 代码）
• 应用能力（Agent / 指令遵循 / 幻觉控制）

这种划分其实挺“接地气”的——因为真实场景里，你既需要模型会算，也需要它不胡说、能听话、能干活。

另外一个特点是：它对中文支持比较友好，这点在很多国外榜单里是缺失的。

怎么用：
如果你的主要场景是中文（比如国内业务、中文客服、中文Agent），这个榜单比纯英文评测更有参考价值。

局限性：

• 评测数据和方法透明度有限
• 有些任务设计更偏“考试”，而非真实复杂场景
• 榜单之间横向对比困难（和国外榜单不统一）

网址：https://vellum.ai/llm-leaderboard

简介与特点：
这个榜单明显是“给工程师看的”。
它不仅关注模型强不强，还把几个关键因素一起放进来：

• 推理能力（用高难题，比如 AIME）
• 成本（调用价格）
• 上下文长度（能处理多长输入）
• 精度与稳定性

怎么用：
如果你在做系统设计，比如：

• 要不要换模型
• 是用强模型还是便宜模型
• 长上下文是否值得付费

这个榜单非常有参考意义。

局限性：

• 更偏“理性指标”，缺少用户体验维度
• 对非推理类任务（比如创意写作）覆盖不足

网址：https://vellum.ai/open-llm-leaderboard

简介与特点：
这是 Vellum 针对开源模型单独做的榜单。

开源模型和闭源模型（比如GPT、Claude）有一个本质区别：

• 闭源模型：强，但你控制不了
• 开源模型：可以自己部署、微调、改造

怎么用：
适用于以下场景：

• 企业内网部署（数据不能外传）
• 成本敏感（不想一直付API费用）
• 需要深度定制（微调 / 私有知识）

局限性：

• 开源模型整体上限通常低于顶级闭源模型
• 部署和调优成本不低

网址：https://lm-stats.com/benchmarks/llm-leaderboard-full

简介与特点：
这个站和传统排行榜不太一样，它不太关心“谁第一”，而是把模型的关键参数全部摊开：

• 推理速度
• 价格（token成本）
• 上下文长度
• 各类基准测试成绩

你可以把它理解为一个“模型参数对比数据库”，而不是一个简单排名。

怎么用：
当你在做选型时，比如：

• 是选便宜模型跑大规模任务，还是用强模型跑关键路径
• 上下文到底要不要上128k / 1M
  这种场景下，它比排行榜更有价值。
  
  

局限性：

• 信息多但不做结论，需要你自己判断
• 对非技术用户不太友好

网址：https://scale.com/leaderboard

简介与特点：
由 Scale AI 推出，这家公司本身就是做数据标注起家的，可以理解为“给AI公司打地基的人”。

这个榜单的核心思路不是测“聪明”，而是测：

• 模型在复杂任务中是否稳定
• 是否容易出错
• 在长链路任务中是否会崩

很多评测是通过专家人工评审 + 私有数据集完成的。

怎么用：
如果你的系统是要上线的（比如风控、客服、自动化Agent），这种榜单非常重要，因为现实问题不是“做对一次”，而是“能不能一直做对”。

局限性：

• 数据不公开，透明度相对较低
• 更偏企业视角，不一定适合个人开发者

网址：https://livebench.ai

简介与特点：
这个榜单主打一个概念：“无污染（Contamination-free）”。

• 推理
• 编程
• 数学

并且是定期更新的。

怎么用：
当你怀疑某些榜单“被刷分”时，可以参考这个榜单来做一个对照。

局限性：

• 覆盖面相对较窄（偏理科能力）
• 实际应用能力体现不够

网址：https://huggingface.co/open-llm-leaderboard

简介与特点：
Hugging Face 可以理解为“AI界的GitHub”，开源模型基本都在这里发布、流通。

这个榜单基于 EleutherAI 的评测框架，对模型进行标准化测试，比如：

• MMLU
• HellaSwag
• ARC 等

最大的优势是：统一标准 + 可复现。

怎么用：
当你需要横向比较开源模型（比如选一个7B / 13B模型部署），这个榜单是最基础的参考。

局限性：

• 和真实用户体验有差距
• 容易被“针对性优化”

网址：https://huggingface.co/spaces/mteb/leaderboard

简介与特点：
专门评测Embedding模型（文本向量模型），覆盖：

• 检索
• 分类
• 聚类
• 多语言任务

规模很大（几十个数据集，上百种语言）。

怎么用：
如果你在做：

• RAG（检索增强生成）
• 向量数据库搜索
• 推荐系统

这个榜单的重要性，甚至不亚于大模型排行榜。

局限性：

• 和生成模型能力无关
• 实际效果还受数据质量影响很大

网址：https://rank.opencompass.org.cn/home

简介与特点：
国内做得比较系统的多语言评测平台之一，支持：

• 中文任务
• 英文任务
• 安全与合规测试

在中文语境下，比很多国外榜单更贴近实际。

怎么用：
适合用来判断：

• 中文能力
• 多语言表现
• 一些本地化需求

局限性：

• 不同榜单之间难以直接对齐
• 仍然偏“评测场景”，不是生产环境

网址：https://eqbench.com/

简介与特点：
专门评估模型的“情商”，包括：

• 情绪理解
• 共情能力
• 对语境的把握

基于大量对话提示构建。

怎么用：
如果你做的是：

• 客服
• 心理陪伴
• 社交类AI

这种能力比“数学推理”更关键。

局限性：

• 主观性强
• 不同文化背景下结果可能不同

网址：https://gorilla.cs.berkeley.edu/leaderboard.html

简介与特点：
同样来自伯克利团队，专门评测模型的：

• 函数调用能力
• 工具使用能力
• API理解能力

这是Agent时代的核心能力之一。

怎么用：
如果你在做：

• Agent系统
• 自动化工作流
• Copilot

这个榜单的参考价值非常高。

局限性：

• 偏工程能力，对通用对话意义不大

能不能真的把事情做完。

在当前主流 Agent / 工程体系里，Skill 并不是一个模糊概念，而是已经比较固定的一套结构化方式。你可以把它简单理解成：

Skill = 大模型可以调用的一组“标准能力模块”

它通常包含三部分：

• 做什么（能力描述）
• 怎么做（执行步骤 / prompt / 规则）
• 需要什么（工具 / API / 资源）

换句话说，Skill不是“让模型更聪明”，而是让模型具备可复用的行为能力。

Skill已经变成“决定系统能不能落地”的关键组件，但它的来源非常分散。

结果就是一个很现实的问题：

你知道 Skill 很重要，但不知道去哪找“靠谱的 Skill”。

网址：http://skillsmp.com

简介与特点：
SkillsMP 是目前规模最大的 Skill 聚合平台之一，收录超过 8 万个 Skill。它的内容主要来自 GitHub 等开源仓库，通过自动抓取 + 分类索引的方式形成数据库。

SkillsMP 做的事情，本质是：

把全世界散落在 GitHub 上的 Skill “汇总成搜索引擎”

它支持按分类、热度、标签检索，并且每天同步更新。

网址：https://skills.homes

简介与特点：
skills.homes 是一个偏“Agent生态整合”的 Skill 平台，收录约 7 万+ Skill，特点是支持多种 Agent 系统（例如部分基于 Eloquen / Claude Code / Cursor 的扩展生态）。

它的另一个特点是提供中文界面，并且整体稳定性比纯 GitHub 聚合更好一些。

网址：https://skills.sh

简介与特点：
skills.sh 是目前更偏“官方工程风格”的 Skill 平台，整体生态与 Vercel 相关开发体系关系较强。

它的 Skill 数量不多（几千级），但强调：

• 一键安装
• 工程可用性
• 质量控制（而不是数量堆积）

网址：https://skillhub.club

简介与特点：
SkillHub Club 更像一个“带评分系统的 Skill 市场”，核心特点是引入了 AI 评分机制，对 Skill 做排序和筛选。

SkillHub Club 的做法是：

• 给 Skill 打分（质量 / 实用性 / 热度）
• 提供排序机制
• 帮用户做初筛

本质上是在尝试解决一个问题：

“如何从海量 Skill 里快速找到可用的那一小部分”

网址：https://github.com/ComposioHQ/awesome-claude-skills

简介与特点：
这是目前 GitHub 上规模最大、最系统的 Claude Skills 汇总仓库之一，目前 Star 数已经超过 2.6 万。

它收集的不是某一个平台的 Skill，而是整个社区生态的集合，覆盖从文档处理、代码开发、数据分析，到营销、创意、系统安全等几乎所有方向。

📌 文档处理

📌 开发与代码工具

📌 数据与分析

📌 商业与营销

📌 沟通与写作

📌 创意与媒体

📌 效率与组织

📌 协作与项目管理

📌 安全与系统