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。
第一級：本站實測｜綜合評價（第 2 版，每個模型 252 題）
綜合知識（MMLU-Pro）、科學推理（GPQA Diamond）、聽懂指令（IFEval）、數學（MATH-500）、繁中知識（TMMLU+）、工具呼叫（BFCL）、程式（LiveCodeBench）
| 名次 | 模型 | 平均（95% 區間） | MMLU-Pro | GPQA Diamond | IFEval | MATH-500 | TMMLU+ | BFCL 單輪（non-live） | LiveCodeBench v6 |
|---|---|---|---|---|---|---|---|---|---|
| 1 | Llama-3-Taiwan 70B Instruct 紀錄台灣 Taiwan LLM（林彥廷）｜Q4_K_M（本站量化） | 57.0 51～63 | 57.5 | 36.7 | 60.0 | 53.3 | 83.9 | 82.5 | 25.0 |
| 2並列 | Gemma-3-TAIDE 12B Chat（2602） 紀錄台灣 國家實驗研究院（TAIDE）｜Q4_K_M（本站量化） | 40.7 35～47 | 22.5 | 23.3 | 47.5 | 70.0 | 65.1 | 40.0 | 16.7 |
| 2並列 | Breeze2 8B Instruct 紀錄台灣 聯發科創新基地｜Q4_K_M（本站量化） | 38.5 32～45 | 47.5 | 30.0 | 55.0 | 43.3 | 42.3 | 35.0 | 16.7 |
| 2並列 | Breeze2 3B Instruct 紀錄台灣 聯發科創新基地｜Q4_K_M（本站量化） | 38.4 32～44 | 37.5 | 23.3 | 37.5 | 40.0 | 38.5 | 75.0 | 16.7 |
| 2並列 | Llama-3.1-Taiwan 8B Instruct 紀錄台灣 Taiwan LLM（林彥廷）｜Q4_K_M（本站量化） | 33.0 27～39 | 27.5 | 23.3 | 52.5 | 46.7 | 40.3 | 32.5 | 8.3 |
| 2並列 | Llama-3-Taiwan 8B Instruct 紀錄台灣 Taiwan LLM（林彥廷）｜Q4_K_M（本站量化） | 33.0 27～39 | 37.5 | 20.0 | 40.0 | 43.3 | 49.0 | 32.5 | 8.3 |
| 2並列 | Breeze 7B Instruct v1.0 紀錄台灣 聯發科創新基地｜Q4_K_M（本站量化） | 30.4 25～36 | 40.0 | 6.7 | 30.0 | 13.3 | 42.2 | 72.5 | 8.3 |
| 5 | Llama-3.1-TAIDE-LX 8B Chat 紀錄台灣 國家實驗研究院（TAIDE）｜Q4_K_M（本站量化） | 26.0 21～31 | 12.5 | 20.0 | 37.5 | 30.0 | 41.9 | 40.0 | 0.0 |
怎麼排：平均＝各項分數等權平均（0～100）。名次＝1＋「平均分數的 95% 信賴區間完全高於它」的模型數，所以差距不顯著的模型會並列。點模型名稱看逐題紀錄與測試條件。
條件：關閉思考模式、溫度 0、固定抽樣種子；每項抽樣部分題目，分數通常低於官方開思考時公布的數字，適合比較同一張榜上的模型。MT-Bench 台灣版由 Claude 評分，標準比原版 GPT-4 嚴。
權重來源：一律從模型官方 Hugging Face 頁面下載，本站自行量化（標示於模型下方），聊天格式與官方 tokenizer 逐 token 比對。
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。