选模型，先选场景，再看榜单。

把需求写成可以测试的任务。

“哪个模型最好”很难直接回答。“修改我的 React 项目”“从长合同提取条款”“把采访整理成文章”则可以设计成可验证的任务。任务越具体，后续比较越有价值。

• 编程：关注代码理解、修改质量和工具调用，而非只看回答速度。
• 写作与分析：关注上下文理解、事实核对和输出可编辑性。
• 应用集成：同时关注输入输出价格、响应速度、上下文与接口能力。

先确认分数在衡量什么。

知序综合榜保留 Artificial Analysis 的智能指数，专项榜保留 LLM Stats 的编程、推理和 Agent 复合指数。评测任务、版本与覆盖范围不同，数值不应混算。

专项榜当前基于 LLM Stats 首页公开样本，覆盖范围会直接注明。一个模型没有出现在样本中，表示本次来源覆盖不足，不能直接推导出能力较差。

同名模型，不同配置也会有差别。

较高的推理强度可能提高复杂任务表现，也会增加生成量、等待时间或成本。榜单中的 max、high、xhigh 等设置因此分别展示，保留来源原始名称。

做决策时，把你准备实际使用的配置放到比较表。API 单价属于基础模型的计价信息，单次任务总成本还受推理量、输入长度、缓存和工具使用影响。

用自己的样本，完成最后一轮选择。

从榜单中选两到四个候选，准备几份重复可用的真实任务。保持输入、评价标准与预算一致，记录完成质量、耗时和费用。对你重要的差别，通常在这个过程里会更清楚。

长上下文不等于长文理解始终更好；较低输出单价也不必然意味着完整任务费用更低。把质量、稳定产出和总成本放在同一份工作记录中比较。