刚接触AI，或者了解过AI一段时间的小伙伴，其实都会有一个困惑，那么多的AI模型究竟该怎么选择。

一个是看各种评测跑分，老觉得新模型会更强，但不知道适不适合自己，还有就是价格贵不贵，性价比高不高。

所以经常就会有这类小伙伴问老马，某某模型跟某某模型相比，哪个更好？哪个更划算？等诸如此类问题。

这还只是大语言模型的选择困难症，如果加上生图、生视频、生音频之类的模型，头都大了，模型还得分开源跟闭源。

还有一个问题就是榜单跑分的权威性，懂的都懂，有点类似于电脑上的娱乐大师跑分，跟实际业务需求存在脱节的情况。

有没有一个第三方、中立、科学、覆盖多场景的大模型评测平台，能够帮助我们基于真实场景，选择到最具性价比的模型呢？

答案以前没有，现在它来了，这得感谢AI圈子里的洛小山大佬，真金白银花11000块钱，测了34205条大模型用例，一共囊括了42+模型。

最终把所有结论汇聚成一个平台，名字叫小山场景化模型能力评测平台，专为AI产品经理和AI时代需要做模型选型的超级个体而生。

平台网址：https://xsct.ai，使用电脑浏览器打开即可使用，无需注册无需付费，还提供了完整的测试方法论和开源数据集，如图：

非常感谢山佬，利用春节假期期间，做了一件足以载入AI行业史册的善事，让我们不再需要亲自去踩坑，付出更多的成本，轻松了解各种模型的特性。

该平台坚持独立运营，不接受模型厂商赞助，数据透明可追溯，同时支持用户提交特定场景测评需求。

平台核心功能老马也总结了一下：

横向对比：支持同一任务下多个模型的输出结果直观对比（如生图质量、网页可运行性）。

细粒度评分：采用多维度独立评分和证据锚定机制，AI会自动标注图片中的具体错误位置和原因。

成本测算：直接对比不同模型在同等调用量下的实际花费，支持汇率换算。

场景化搜索：用户可根据关键词（如“文风迁移”）查找特定场景下的模型排名。

数据可视化：提供雷达图、直方图等图表，便于汇报和发现模型能力短板（如DeepSeek批判性思维较弱、GLM-5数学能力不足等）。

看不太懂没关系，下面跟着老马一步步来了解。

• 榜单排行

文本榜单的排名，测试用例包含了以下任务：写作、翻译、推理、代码、幻觉对抗、角色扮演、润色、摘要等，如图：

图像榜单的排名，测试用例包含了以下任务：风格还原、文字渲染、多语言排版、创意构图等。

网页生成榜单则包含了交互设计、响应式布局、表单、游戏、电商落地页等任务。

该榜单主要体现不同模型在遇到基础、进阶、困难三档难度的任务时，各自的表现如何，并以打分的形式从高到低进行排行。

一般来说，大语言模型会测试文本类任务，以及网页生成任务。多模态大语言模型除了以上任务，还会涉及图像理解，跟图像模型一样，图像理解与图像生成的测试任务均有。

点击榜单上任意一个模型，就能看到对应的雷达图和柱状图，可以同时添加多个模型进行对比，在做模型选型汇报工作的时候就能用上，如图：

雷达图跟柱状图都能切换到不同的测试分类，比如文本、网页、生图、识图。往下滑动还可以看到该模型，或者多模型的不同测试用例的评分，如图：

如果在顶部菜单选择能力评级，你甚至可以直观地看到当前模型，或者多个模型的能力天花板，通过的困难用例越多，说明模型能力越强，如图：

点击任意一个用例，可以查看该用例在不同模型，不同难度下的具体结果，同时会标出该用例下性价比最高的模型，如图：

这个有什么用呢？比如某个用例，刚好跟你的业务场景差不多，你就可以一目了然地看到不同大模型的分数排行，以及经过筛选后价格最合适的模型。

切换到生图模型，拿Nano Banana Pro为例，同样可以按照以上的操作方式去查看，如图：

不同生图模型，在完成美国漫画风格的生图任务时，各自的效果图都能直观地看到，这不比你自己挨个去测方便多了。

回到重点，选择模型最终是得看我们的需求场景，比如你需要使用大语言模型去写文章，需要有创意的写作，但是不知道是GPT好，还是Gemini、DeepSeek好。

这时你就可以在平台上，勾选多个常见的大语言模型，切换到柱状图后，选择L-Creative，重点查看这个创意写作的柱状图展示，如图：

从上图可以看出，Claude Sonnet 4.6是柱状图中柱子最高的，排名第一，Kimi K2.5排第二，其它忽略，这就说明创意写作时可以优先考虑选择Claude Sonnet 4.6模型。

以此类推，不过目前的维度描述还不够简单清楚，希望山佬后期能完善一下不同维度的介绍，比如鼠标移动上去显示中文的说明。

• 其它功能

除了排行榜单，顶部菜单还有不少功能，比如搜索功能，进入后，假设需要搜索代码生成的用例，看看哪个模型最强，如图：

上图显示搜索出来了5个用例，点击任意一个用例照旧可以进入查看详情。比较适合你有明确的需求时，直接进行搜索查看结果。

用例库中则包含了文本、网页、图像三大分类的所有用例，需要说明的一点是，这里的每个用例的Prompt你都是可以自己复制去使用的，如图：

测算工具可以说是一个神器了，可以方便地对比各模型的API调用费用，选择最适合你的方案，如图：

方法论有兴趣的可以去看看，了解一下山佬是如何搭建该评测平台的。最后的前沿是一个时间轴，根据不同模型的发布时间进行排列，如图：

整体体验下来，小山场景化模型能力评测平台的基本功能已经很OK，除了个别体验需要进一步完善，你也可以在平台上进入提需求反馈给山佬。

好了，以上就是今天的分享，欢迎关注、点赞、转发一键三连。有任何问题和需求，请在评论区留言，回见！

对了，老马最近刚创建了一个AI学习交流群，有兴趣进群的小伙伴可以添加老马微信号：immajiabin，添加好友时备注：进群。