Scale Leaderboard

AI 研究人员和开发者，需要一个相对干净、口径可信的模型对照依据。共同点是关心榜单有没有被污染过，也关心某个类别的评分究竟怎么算出来的。

• 选型时对照编程类别的排名，当前榜首模型得分 1155。
• 看数学类别表现，排名第一的模型拿到 95.19 分。
• 评估模型对指令的响应质量，指令遵循类别第二名得分 88.57。
• 怀疑某个分数的口径时，翻阅评估方法学说明再决定是否采信。

• 评估数据集为私有，减少数据被操纵和针对性刷分的空间。
• 榜单定期更新，持续加入新数据集与新模型。
• 评估由经过严格审查的专家按特定领域方法执行。
• 公开详细的评估方法学信息，评分口径可查。
• 排行榜分多个类别，涵盖编程、数学、指令遵循和西班牙语等方向。