你应该用哪个 LLM？
基于 vellum.ai 等已验证基准测试的快速答案。为你的特定任务找到完美的模型。
数据来源：vellum.ai 和已验证的提供商
快速选择：你的任务最适合哪个 LLM
别想太多，基于真实基准测试，这里直接给你答案。
写代码用：Claude Sonnet 4.5
SWE Bench 82%。在真实 GitHub 编程任务中表现最佳，包括调试和代码生成。
做数学题用：Gemini 3 Pro
AIME 2025 100%。唯一在高中数学竞赛中获得满分的模型。
复杂推理用：Claude 3 Opus
GPQA Diamond 95.4%。最难推理基准测试中的最高分。
综合最佳：Gemini 3 Pro
HLE 45.8%。在多个基准测试中表现最佳。
视觉任务用：Claude Opus 4.6
ARC-AGI 2 68.8%。视觉推理和理解的领导者。
追求速度用：Llama 4 Scout
2600 tokens/sec。速度最快且质量不错。
为什么信任我们的排行榜？
我们从已验证的提供商聚合基准测试数据，帮助你做出明智决定。
已验证的数据来源
我们跟踪来自 vellum.ai、模型提供商和独立评估者的基准测试。
真实世界基准测试
SWE Bench 编程、AIME 数学、GPQA Diamond 推理、ARC-AGI 视觉。
定期更新
随着新模型和基准测试的发布，排行榜每月更新。
成本和速度指标
Token 成本、延迟和吞吐量数据，帮助你优化预算。
完整排行榜
来自已验证提供商的所有基准测试完整排名。
推理最佳 - Claude 3 Opus
得分：GPQA Diamond 95.4%。复杂推理任务的领导者。
数学最佳 - Gemini 3 Pro
得分：AIME 2025 100%。高中数学竞赛的完美表现。
编程最佳 - Claude Sonnet 4.5
得分：SWE Bench 82%。智能编程任务的首选。
综合最佳 - Gemini 3 Pro
得分：Humanity's Last Exam 45.8%。最高的综合性能。
视觉推理最佳 - Claude Opus 4.6
得分：ARC-AGI 2 68.8%。视觉理解任务的领导者。
最快模型 - Llama 4 Scout
速度：2600 tokens/sec。高流量应用的惊人吞吐量。
常见问题
选择正确的 LLM 需要了解的一切。