从 Arena 真实难题中抽 500 道，LLM judge 离线复现
从 Arena 真实难题抽 500 道，离线用裁判复现 Arena 排名。
测什么：从 Arena 真实难题中抽 500 道，LLM judge 离线复现
不测什么：不能证明中文长文业务任务的整体质量；需用自己的文体、长度和事实要求复核。
语言与文体：当前账本未完整披露语言和文体分布
指标与单位：见逐条记录，未披露项不能比较 / 以原始来源为准
可比性：当前没有完整、同快照的可比协议与可靠归一化边界，仅展示原始证据。
说明日期：2026-08-28；具体分数的协议、来源等级和核对日期以每条发布记录为准。
进入写作需求选型GPT-4 judge + 风格控制
共收录 3 场模型发布（收录 4 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
Alibaba / Qwen·国内
本发布含 8 个变体，各变体规格见模型详情。
Qwen3 以「Think Deeper, Act Faster」发布，Qwen3-235B-A22B 为混合思考 MoE 旗舰。评测覆盖推理、编码与多语言，亮点如 ArenaHard 95.6%、AIME'24 85.7%。
Tencent / 腾讯混元·国内
腾讯混元-T1 正式版定位为业内首个超大规模混合 Mamba 推理模型（TurboS 混合 Transformer-Mamba MoE 底座，96.7% 后训练算力用于强化学习）。已收录 14 项评测覆盖知识、数学、代码与中文能力：亮点 MMLU-Pro 87.2、AIME24 78.2。
Alibaba / Qwen·国内
本发布含 5 个变体，各变体规格见模型详情。
Qwen2.5 发布文以「A Party of Foundation Models」呈现全家族，72B-Instruct 为其中最大开源指令模型（稠密解码器，18T 预训练 tokens）。已收录 14 项评测覆盖知识、数学、代码与对齐：亮点 GSM8K 95.8、MMLU-Pro 71.1。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。