"XX发布最强开源大模型，多项基准测试全面超越XX等闭源模型！" "万亿参数开源模型XX强势登顶全球开源模型榜首！" "国产之光！XX模型在中文评测榜单拿下第一！" 随着AI时代的到来，各位的朋友圈、微博等社交平台是不是也常常被诸如此类的新闻刷屏了？ 今天这个模型拿到了冠军，明天那个模型变成了王者。评论区里有的人热血沸腾，有的人一头雾水。 一个又一个的现实问题摆在眼前： 这些模型所谓的"登顶"比的是什么？谁给它们评分，而评分的依据又是什么？为什么每个平台的榜单座次都不一样， 到底谁更权威？ 如果各位也产生了类似的困惑，说明各位已经开始从"看热闹"转向"看门道"。 本文之中，我们便来拆解一下不同类型"AI竞技场"——也就是大语言模型排行榜——的"游戏规则"。 01 类型一：客观基准测试（Benchmark），给AI准备的"高考" 人类社会中，高考分数是决定学生大学档次的最主要评判标准。 同样地，在AI领域，也有很多高度标准化的测试题，用来尽可能客观地衡量AI模型在特定能力上的表现。 因此，在这个大模型产品频繁推陈出新的时代，各家厂商推出新模型后，第一件事就是拿到"高考"考场上跑个分，是 骡子是马，拉出来遛遛。 ...