地端模型天梯榜
本站用各家模型官方採用的公開 benchmark，在自家機器上實測可以下載到地端執行的模型。同一張榜上的模型都用同一組抽樣題目、同樣條件測試； 分數差距落在誤差範圍內就並列，不硬分高下。
官方公布數據｜雲端與開源模型一起排（36 個模型）
各家在模型卡或發表文公布的分數，照官方數字原樣列出並附出處。有 本站實測 標記的模型，同一格下方是本站在自家機器上測到的數字。
怎麼看：縱軸是實力分，越高越強，同一高度就是同一水準；相差 400 分代表兩者對決勝率約 10 比 1，所以每 400 分畫成一級，同一級內的差距不用太計較。 橫向分欄是「要什麼硬體才跑得動」（依總參數量，Q4 量化估算），雲端模型沒有權重可下載、只能用 API。晶片擠在一起時會往下微推，以免重疊。 還沒排進圖的：DeepSeek-V4.1-Flash-1017、MiniMax M3.1 Flash、Devstral Small 2、Qwen3-Coder-30B-A3B-Instruct、Llama 3.1 8B Instruct、Breeze-7B-Instruct-v1_0、Gemini 4 Argon、Gemma-3-TAIDE-12b-Chat-2602、Grok 4.7、Llama-3-Taiwan-70B-Instruct、Llama-3-Taiwan-8B-Instruct、Llama-3.1-Nemotron-70B-Instruct、Llama-3.1-TAIDE-LX-8B-Chat、Llama-Breeze2-3B-Instruct、Llama-Breeze2-8B-Instruct（公布的可比項目不足，見下方表格）。
完整數據表：各項官方分數、戰績與出處（36 個模型）
| 名次 | 模型 | 實力分（戰績） | MMLU-Pro | GPQA Diamond | HLE | AIME 2026 | LiveCodeBench | SWE-bench Verified | Terminal-Bench | ARC-AGI-2 | BFCL | τ²-bench | IFEval | MATH-500 | TMMLU+ |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Opus 5.5雲端 Anthropic｜出處 | 3410 9勝0負0和／9 局 | — | — | 64.4 | — | — | — | 66.4 | — | — | — | — | — | — |
| 2 | Claude Sonnet 5.5雲端 Anthropic｜出處 | 2988 8勝1負0和／9 局 | — | — | 56.9 | — | — | — | 70.6 | — | — | — | — | — | — |
| 3 | GPT-6 Astra雲端 OpenAI｜出處 | 2658 8勝2負0和／10 局 | — | 96 | 57.2 | — | — | — | 57.9 | 95 | — | — | — | — | — |
| 4 | Kimi K3雲端 Moonshot AI｜出處 | 2324 12勝0負2和／14 局 | — | 93.5 | 43.5 | — | — | — | 88.3 | — | — | — | — | — | — |
| 5 | DeepSeek-V4.1-Flash DeepSeek｜出處 | 2294 8勝5負2和／15 局 | — | 90.9 | 36.8 | — | — | — | 90.6 | — | — | — | — | — | — |
| 6 | Gemini 3.1 Pro雲端 Google｜出處 | 2226 12勝3負3和／18 局 | — | 94.3 | 44.4 | — | — | 80.6 | 68.5 | 77.1 | — | 99.3 | — | — | — |
| 7 | Qwen3.8-Max雲端 Alibaba Qwen｜出處 | 2062 7勝3負1和／11 局 | — | 92.6 | 43.6 | — | — | — | 86.6 | — | — | — | — | — | — |
| 8 | Qwen3.8-27B Alibaba Qwen｜出處 | 1855 12勝4負0和／16 局 | — | 89.2 | 30.8 | — | 90.3 | — | 73 | — | — | — | — | — | — |
| 9 | Qwen3.6-27B Alibaba Qwen｜出處 | 1722 13勝3負0和／16 局 | 86.2 | 87.8 | 24 | 94.1 | 83.9 | 77.2 | 59.3 | — | — | — | — | — | — |
| 10 | Qwen3.6-35B-A3B本站實測 Alibaba Qwen｜出處 | 1550 12勝4負0和／16 局 | 85.2 | 86 | 21.4 | 92.7 | 80.4 | 73.4 | 51.5 | — | — | — | — | — | — |
| 11 | Qwen3.5-35B-A3B本站實測 Alibaba Qwen｜出處 | 1386 13勝10負0和／23 局 | 85.3 | 84.2 | 22.4 | — | 74.6 | 69.2 | 40.5 | — | 67.3 | 81.2 | 91.9 | — | — |
| 12 | Gemma 4 31B Google｜出處 | 1149 8勝11負1和／20 局 | 85.2 | 84.3 | 19.5 | 89.2 | 80 | — | — | — | — | 76.9 | — | — | — |
| 13 | gpt-oss-120b OpenAI｜出處 | 1079 6勝12負0和／18 局 | — | 80.1 | 14.9 | 92.5AIME 2025 | — | 62.4 | — | — | — | — | — | — | — |
| 14 | gpt-oss-20b OpenAI｜出處 | 882 4勝13負1和／18 局 | — | 71.5 | 10.9 | 91.7AIME 2025 | — | 60.7 | — | — | — | — | — | — | — |
| 15 | Gemma 4 26B A4B Google｜出處 | 767 5勝14負1和／20 局 | 82.6 | 82.3 | 8.7 | 88.3 | 77.1 | — | — | — | — | 68.2 | — | — | — |
| 16 | Gemma 4 12B Unified Google｜出處 | 656 3勝9負3和／15 局 | 77.2 | 78.8 | 5.2 | 77.5 | 72 | — | — | — | — | 69 | — | — | — |
| 17 | LFM2.5-24B-A2B Liquid AI｜出處 | 598 2勝10負3和／15 局 | — | 74.42 | 7.4 | — | — | 51 | — | — | 65.01 | — | 96.75 | 96.04 | — |
| 18 | Mellum2.1-12B-A2.5B-Thinking JetBrains｜出處 | 588 2勝11負6和／19 局 | — | 64.6 | — | — | 82 | 47 | 17.4 | — | 62.3 | — | 90.6 | — | — |
| 19 | Magistral Small 1.2 Mistral AI｜出處 | 445 1勝9負1和／11 局 | — | 70.07 | — | 77.34AIME 2025 | 70.88 | — | — | — | — | — | — | — | — |
| 20 | Llama 4 Scout Meta｜出處 | 210 1勝9負0和／10 局 | 74.3 | 57.2 | — | — | 32.8 | — | — | — | — | — | — | — | — |
| 21 | Phi-4 Microsoft｜出處 | 90 0勝9負1和／10 局 | 70.4 | 56.1 | — | — | — | — | — | — | — | — | 63 | — | — |
| 未排 | DeepSeek-V4.1-Flash-1017 DeepSeek｜出處 | 3026 1勝0負1和／2 局，不足 5 局 | — | — | 42.6 | — | — | — | 42.3 | — | — | — | — | — | — |
| 未排 | MiniMax M3.1 Flash雲端 MiniMax｜出處 | 3026 1勝0負1和／2 局，不足 5 局 | — | — | 43.4 | — | — | — | 38.1 | — | — | — | — | — | — |
| 未排 | Devstral Small 2 Mistral AI｜出處 | 912 0勝4負0和／4 局，不足 5 局 | — | — | — | — | — | 68 | 22.5 | — | — | — | — | — | — |
| 未排 | Qwen3-Coder-30B-A3B-Instruct Alibaba Qwen｜出處 | 620 0勝1負2和／3 局，不足 5 局 | — | — | — | — | — | 51.6 | 31.3 | — | 62.2 | — | — | — | — |
| 未排 | Llama 3.1 8B Instruct Meta｜出處 | 477 0勝1負3和／4 局，不足 5 局 | 48.3 | — | — | — | — | — | — | — | 76.1 | — | 80.4 | — | — |
| 未排 | Breeze-7B-Instruct-v1_0本站實測 MediaTek Research｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | — | — | — | — | — | — | 42.67 本站 38.5 |
| 未排 | Gemini 4 Argon雲端 Google｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | 57.4 | — | — | — | — | — | — |
| 未排 | Gemma-3-TAIDE-12b-Chat-2602本站實測 TAIDE（國科會推動臺灣可信任生成式AI發展計畫）｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | — | — | — | — | — | — | 58.02 本站 62.3 |
| 未排 | Grok 4.7雲端 xAI｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | 37.6 | — | — | — | — | — | — |
| 未排 | Llama-3-Taiwan-70B-Instruct本站實測 Yen-Ting Lin（Taiwan LLM）｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | — | — | — | — | — | — | 67.53 本站 79.3 |
| 未排 | Llama-3-Taiwan-8B-Instruct本站實測 Yen-Ting Lin（Taiwan LLM）｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | — | — | — | — | — | — | 52.28 本站 56.1 |
| 未排 | Llama-3.1-Nemotron-70B-Instruct NVIDIA｜出處 | 可比項目不足 2 項 | 62.78 | — | — | — | — | — | — | — | — | — | — | — | — |
| 未排 | Llama-3.1-TAIDE-LX-8B-Chat本站實測 TAIDE（國科會推動臺灣可信任生成式AI發展計畫）｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | — | — | — | — | — | — | 45.58 本站 40.3 |
| 未排 | Llama-Breeze2-3B-Instruct本站實測 MediaTek Research｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | — | — | — | — | — | — | 42.7 本站 40.7 |
| 未排 | Llama-Breeze2-8B-Instruct本站實測 MediaTek Research｜出處 | 可比項目不足 2 項 | — | — | — | — | — | — | — | — | — | — | — | — | 46.6 本站 46.8 |
怎麼排（兩兩對決）：各家公布的項目不一樣，直接平均會獎勵「只公布高分項目」的廠商，所以不用平均。改成任兩個模型只在共同公布、條件相同的核心項目（MMLU-Pro、GPQA Diamond、HLE、AIME、LiveCodeBench、SWE-bench Verified、Terminal-Bench、ARC-AGI-2、BFCL、τ²-bench、IFEval、MATH-500）上逐項比，贏的項目多就算贏這一局；至少兩個共同項目才算一局。HLE 有工具／無工具、Terminal-Bench 2.0／2.1／4.0、τ²-bench 不同領域、AIME 不同年份都視為不同項目，不互比。實力分由全部對局用 Bradley–Terry 模型估計（贏強者加分多、贏弱者加分少），刻度比照 Elo：相差 400 分代表對決勝率約 10 比 1。不足 5 局不排名、不足 8 局標「對局少」。滑鼠停在實力分上可看舊的等權平均。
數字從哪來：只收廠商自己公布的數字，點分數可開出處頁面；同一項官方給多個設定時主格放最高那組，滑鼠停留可看其他設定。第三方排行榜的數字不收。
本站實測的數字為什麼比較低：本站關閉思考、溫度 0、每項抽樣部分題目、自行量化（Q4），和官方開思考、全題庫、原始精度的條件不同，所以同一格的兩個數字是「官方說的」與「你在自己機器上大概會拿到的」。
第二級：業者自報端點（籌備中）
沒有公開權重的模型，未來可由業者開放 API 端點給本站評測。本站無法確認端點背後是什麼模型，所以這一級會另外列表、標明「業者自報」，不與第一級混排； 業者日後公開權重、本站重跑對得上，就會移到第一級。