又一个纯开放权重模型基准测试

实时结果，包含编码基准测试、智能体基准测试、按领域和其他分类筛选。（剧透：DeepSeek-V4-Vision-Exp 占据统治地位，但其他模型在其各自的优势领域也有出色表现）：https://beta.locallm.top 由领域专家评估（大部分是我的朋友；编码部分完全由我本人评估），按领域/语言/意图分类（可在主页上筛选），包含智能体编码基准测试。这只是公开部分的数据（拥有私有查询并用其评估模型的人看到的结果会有所不同）。**当前众多局限性（部分）**：各领域/较新模型的评估/问题覆盖不完整且不均衡，只有部分问题完成了分类，UI/UX 尚不成熟，之前的重点放在小模型和低量化版本上。*另外*：所有内容都运行在本地的 2x RTX 3090 + 128GB RAM 电脑上，任何人都可以创建查询并评估模型的回答，新的测试运行（尤其是智能体相关的）出现较慢（参见电脑配置）。刻意不使用 LLM-as-judge（有时我会为此感到后悔）。目前正在扩展和评估的基准测试：1）智能体编码 2）一次性编码 3）智能体检索 4）智能体故事创作。正在评估的新模型：1）Qwen3.8-27B（Uncensored）。即将评估的新模型：1）GLM-5.3-Flash-UD-IQ3XSS 2）Mellum2.1-12B-A2.5B 如果这对你来说看起来很有趣：**求助征集** 我向同样希望构建社区基准测试的人求助，开发者和领域专家皆可！很多事情迟早会被实现，而智能体基准测试仅仅是开始。我在这几个领域征集帮助：1）计算资源 2）评估 3）开发——基本上什么都行。但任何建议和反馈都很有价值！我会在评论区添加更多信息并回答问题。P.S. 这篇帖子没有使用 AI 撰写（尽管英语实际上并不是我的母语言 /s）。