看到有人貼「新模型登頂」，很容易想立刻換過去。點進去才發現，這張榜測的是寫作偏好，你想知道的卻是它能不能把登入頁修好。
只想留一個入口，先收藏 Artificial Analysis：能力、價格、速度可以一起看。 想知道真人比較喜歡哪種回答，再看 Arena；要選能做程式工作的 agent，優先看 Terminal-Bench，修 repo 的 issue 則補看 SWE-bench。
本文查核於 2026 年 11 月 4 日。以下數字是查閱時看到的快照，保留榜單版本、模型設定與資料日期，方便你知道當時比較的是什麼。
先收藏這五個入口
| 入口 | 主要看什麼 | 適合拿來回答的問題 | 讀榜時多看一眼 |
|---|---|---|---|
| Arena，前身常被稱作 LMArena／Chatbot Arena | 真人對兩個回答的偏好比較，也有不同任務分類與調整選項 | 這類回答，使用者通常比較喜歡哪個？ | 分類、票數、Rank Spread、風格與事實性調整 |
| Artificial Analysis | 綜合能力指標，以及價格、速度、延遲等資料 | 有哪些候選能在能力、等待與成本間比較？ | 指標版本、模型推理設定、評測成本的定義 |
| Terminal-Bench | agent 在終端機環境完成工作的結果 | 這組模型與 agent，完成工具操作任務的表現如何？ | benchmark 版本、agent 名稱、預算與誤差範圍 |
| SWE-bench | 根據真實軟體 repo 的 issue 進行修改與驗證 | 這組系統在特定修 bug 題集上能解決多少？ | Verified／Lite 等題集、agent、設定、提交日期 |
| LiveBench | 依版本提供不同任務與能力評測 | 模型在我關心的任務分類中表現如何？ | 目前版本、子項目、評分方式與成本欄位 |
這幾個入口的分數不能直接互換。Arena 的 1500 分、某個綜合指標的 59 分、修復率的 60%，分別有自己的題目和計算方式。
Arena：先理解「大家比較喜歡」的意思
Arena 官方說明，它把真人在成對回答中做出的選擇彙整成排名。常見欄位包含票數、分數的信賴區間，以及可能名次範圍 Rank Spread。來源：Arena 讀榜說明
查閱時，Text Arena Overall頁面標示資料日期為 2026 年 10 月 28 日，可見以下快照：
| 模型與設定 | 畫面順位 | 分數與區間 |
|---|---|---|
| Gemini 4 Carbon（High） | 1 | 1528 ± 9 |
| Gemini 4 Argon（High） | 2 | 1520 ± 6 |
| Claude Opus 5.5（High） | 3 | 1509 ± 7 |
先看分類，再看分數與區間。 要寫繁體中文，就找中文等相近分類，再用自己的文章試；想評估程式工作，也要分清楚文字回答裡的 Coding 分類，和真正執行程式、操作工具的評測。
榜單還有風格與事實性相關選項。你可以觀察調整後的結果，而不是把一次「比較喜歡這份回答」，直接解讀成每個細節都正確。模型之間的區間接近時，也先別把一兩名的落差看得太重。
Artificial Analysis：把能力與成本放在一起
查核時的 Intelligence Index v5.0 方法，把九項評測彙整到知識工作、程式、科學與一般能力四類。官方也說明，這個指標主要是文字、英文評測，其他語言與模態要另外看。
所以它很適合縮小候選，但 不能把綜合分數直接當成「繁體中文比較好」或「所有工作都會贏」。
查閱時的模型榜單可見：
| 模型與榜上完整設定 | Intelligence Index |
|---|---|
| Gemini 4 Carbon（high） | 59 |
| Claude Opus 5.5（max with fallback） | 58 |
| GPT-6 Astra（max） | 57 |
| GPT-6.1 Sol（max） | 55 |
這張表比較的是列出的設定。同一型號的 high、max，或帶 fallback 的配置，要當成不同的測試條件記錄。 你在某個 app 裡選到的 Auto，也未必就是榜上的配置。
接著切去看成本、延遲和整體等待時間。有些工作需要盡快看到第一個字，有些必須等完整檔案做好才有價值，這兩種等待感不一樣。使用 Cost per Task 前，先看網站怎麼定義測試任務與成本；不能直接拿它當成你每次請求的報價。
程式工作：同時看模型和 agent
在 Terminal-Bench 4.0的查閱快照裡，表格把 Model 與 Agent 分成兩欄。例如：
| 模型設定 | Agent | Resolution rate |
|---|---|---|
| Opus 5.5（max） | Claude Code | 64.8% ± 3.1% |
| GPT-6.1 Sol（max） | Codex | 58.2% ± 3.1% |
這是整組系統在該評測下的結果。要判斷差異來自模型還是執行工具，需要更受控制的比較；不能只截掉 Agent 那欄，當成純模型能力排名。
SWE-bench 官方網站則能切換不同題集。查閱時，Verified 說明是經人工篩選的 500 個實例，預設可見 Bash Only、mini-SWE-agent 設定。看「解決率」時，先對齊題集、agent 與版本，再比較提交結果。
模型沒出現在某張表，不等於比較差。 可能尚未有對應的提交；日期較舊的表，也未必包含你現在想選的型號。
LiveBench：別把舊版介紹套在新版上
查核時，LiveBench 官方頁面已是 2.0，最新 release 標示 2026 年 10 月 25 日。頁面介紹的工作包含簡報、研究報告、bug 修復與長時間 app 任務，也列出 Agentic、Design、Coding、Browser Use、Data Analysis、Research、Reasoning 等分類。
這時看單一 Overall，還不如先打開你要做的那一欄。文章或截圖寫「LiveBench 幾分」，至少也要留下版本與分類。 用舊版的印象理解新版榜單，很容易比較錯東西。
七個讀榜時最值得檢查的小地方
- 完整模型名稱一樣嗎？ 有沒有日期版本、preview、量化或推理設定的差別？
- 測的工作接近嗎？ 中文文案、數學題、修 repo、操作瀏覽器，驗收方式不同。
- 工具環境一樣嗎？ 有沒有搜尋、程式執行、檔案、不同 agent 或人工協助？
- 版本與資料日期一樣嗎？ 題目和評分方式更新後，數字可能無法直接串成進步曲線。
- 測了幾次、容許重試嗎？ 一次就成功，和多試幾次選最好的一次，要分開看。
- 差距有多確定？ 看樣本、區間與方法，別只看大字名次。
- 你實際用得到嗎？ 帳號是否可選、能不能部署、等待與用量是否在預算內？
還有一個容易漏掉的地方：兩張榜可能使用相同的底層評測。 例如查核時的 Artificial Analysis v5.0 已包含 Terminal-Bench 4.0；兩邊結果都好，可以當作線索，但別當成兩份完全獨立的證據。
如果只想快速找到答案，該開哪張榜？
| 你想知道的事 | 直接去哪看 | 先看哪個欄位 |
|---|---|---|
| 綜合能力比較高、又不想花太多錢 | Artificial Analysis | Intelligence、Cost per Task、完整推理設定 |
| 中文回答、寫作與語氣比較討喜 | Arena 的相近分類 | 分類、票數、區間，再留意 Style Control 與 Factuality 選項 |
| 一整組 coding agent 能不能完成終端機工作 | Terminal-Bench | Model 和 Agent 兩欄一起看，接著看版本與解決率 |
| 能不能修實際 repo 的 issue | SWE-bench | 題集、agent、% Resolved 與提交日期 |
| 長程工作、研究、設計或瀏覽器等分類 | LiveBench 2.0 | 對應子項目，接著看成本和方法 |
不用把五張總榜的名次平均。 它們的題目與評分方式不同。想花錢買工具時，本文會先用 AA 理解模型的能力與成本，再用 Terminal-Bench 看 coding agent 的整組結果；想知道回答好不好讀，才補看 Arena。
如果你要的是「現在到底選哪個模型」，可以直接讀模型推薦與價格比較。如果你連編輯器、CLI 或雲端工作方式都還沒決定，先看 Agent 工具推薦。
常見問題
Q: LMArena 和 Arena 是不同的網站嗎？ 目前 Arena 的 Text 榜頁面說明，它的前身常被稱作 LMArena 與 Chatbot Arena。查資料時，可以從目前的 Arena 官方入口確認榜單與方法。
Q: 要寫程式，只看 SWE-bench 就夠了嗎？ SWE-bench 適合看特定 repo issue 修復結果。要選會連續操作終端機的 coding agent，Terminal-Bench 更接近這類問題；要判斷中文表達或介面設計，則要看其他分類。
Q: 有沒有一張永遠準的總榜？ 很難用單一排名涵蓋所有工作。先挑和需求接近的分類，確認測試條件，再比較實際結果。你要找的是適合自己工作、能穩定驗收的選擇。
一手來源與快照說明
- Arena：Text leaderboard、官方讀榜說明。本文 Text 快照的頁面資料日期為 2026 年 10 月 28 日。
- Artificial Analysis：Models leaderboard、Intelligence Index 方法。本文記錄查閱時的 v5.0 與所列推理設定。
- Terminal-Bench 官方網站。本文使用查閱時的 4.0 表格，保留 agent 欄位與區間。
- SWE-bench 官方網站。引用其題集與預設設定說明，未把不同配置混成一個排名。
- LiveBench 官方網站。本文引用 2.0、release 日期 2026 年 10 月 25 日的頁面說明。
所有入口查閱日期均為 2026 年 11 月 4 日。之後讀到本文時，先點回來源確認最新版本，再把同一套讀榜方法用上去。