BenchLM

BenchLM 的方法论页面提到 BenchAlign 在组合前会“校准基准协议、人类偏好信号和外部综合指数”，但未列出外部指数的具体名称，因此无法判断两个榜单的一致性是否包含循环验证成分。

在 BenchLM 上，Kimi K3 得分 69.92，总排名第 18（共 226 个模型），但未出现在开源列表中，原因是其权重访问被标记为“待定”，且“尚无经过验证的权重发布”。

BenchLM 将 Qwen3.8 Max 列为开源权重第二，但 Artificial Analysis 将其标记为 isOpenWeights: false；在 Hugging Face Hub API 上匿名请求 Qwen/Qwen3.8-Max 和 Qwen/Qwen3.8-Max-0902 均返回 HTTP 401。

BenchLM 和 Artificial Analysis 在 10 月 19 日的数据均显示 MiMo-V2.6-Pro 在开源权重模型中排名第一，BenchLM 给出 73.7 分，Artificial Analysis 给出 46.3 的智能指数。

BenchLM 将 MiMo-V2.6-Pro 所在行标记为 Estimated，并给出 63.92 到 83.37 的条件区间，区间宽度为 19.45 分；同一张表中标记为 Supported 的行，区间宽度仅为 8.2 到 10.0 分。

在 BenchLM 开源权重模型排名前九的模型中，所有模型的条件区间相互重叠，36 对区间无一例外；加入第十行后，45 对区间也全部重叠。

将 BenchLM 开源前十行与 Artificial Analysis 按模型名称匹配，九个模型成功对应（dots3-note Preview 在后者数据中缺失），对这九个模型分别排名后，Kendall's tau 为 0.61，一致对 29 个，不一致对 7 个。

在 World of AI Benchmark 的跨领域测试中，DeepSeek V4.1 Flash 1017 综合排名第 10 至 11 位。

据Anthropic系统卡显示，Claude Opus 5.5在SWE-bench Pro上达到89.9%的准确率，BenchLM 2026年10月排行榜也重复了这一数字。