model-ranking

Kimi K3 模型在 ArtificialAnalysis 基准测试中排名第三，超过了 Claude Opus 4.8。

Arena.ai 将事实性（Factuality）加入模型排名，支持人类偏好与事实性加权，并展示了各模型排名变化。

本文介绍了一种基于频谱形状的度量，利用重尾自正则化理论来表征、比较和管理大型语言模型。该方法无需数据、计算高效且尺度不变，支持跨多种模型集合的血统追踪、无监督聚类和性能量化。

作者介绍了 LLM Win，这是一个将大语言模型（LLM）基准测试结果可视化为有向图的工具，用于分析传递关系和排名逆转。实验结果表明，LLM 的排名更像是一个具有较高弱到强可达性的能力图，而非线性阶梯。