测评网站

以下站点从不同角度观察模型能力、客户端手感和行业动态，适合选模型和日常跟进时对照。测评方法、题库和更新频率各不相同，结果请结合自己的使用场景判断。

BullshitBench

测模型会不会识破一本正经的胡说八道，而不是顺着错误前提继续编。可对比各模型的识别率、失败模式和示例回答。

面向 Codex 订阅用户的实况看板：额度、降智预警、重置时段、社区体感分和站长推荐，适合盯当日手感与用量。

数字生命卡兹克团队做的 AI 热点聚合站，按模型发布、产品更新、行业动态、论文和观点整理每日资讯。

在同一模型和任务下比较 Codex、Pi、OpenCode、Cursor 等 coding agent 外壳，以及不同 API 网关路由的差异。

独立评测主流模型和 API 供应商，覆盖质量、价格、输出速度和延迟，适合做横向对比。

个人维护的大模型长期追踪榜，使用每月滚动更新的私有题库，侧重逻辑、数学、编程和直觉。链接直达编程向 code_v3 分类。

如何使用这些结果

第三方测评只能提供侧面参考。题库、评分规则和测试渠道都会影响排名；选模型时建议再结合自己的真实任务试一轮。