常見問題

常見問題

關於今日 AI 模型排行與排名方法的解答。上方的答案每天更新(2026年11月22日)。

今日答案

現在最常用的 AI 模型是哪個?

截至2⁠0⁠2⁠6⁠年⁠1⁠1⁠月⁠2⁠2⁠日,OpenRouter 使用量第一的是 Hy4 flash(過去 7 天 103兆 Token),其次是 DeepSeek V4.1 Flash 1017 和 DeepSeek V4.1 Flash。

現在效能最好的 AI 模型是哪個?

在2⁠0⁠2⁠6⁠年⁠1⁠1⁠月⁠1⁠9⁠日公布的 Arena 文字排行中,Gemini 4 Carbon 排名第一(分數 1527,盲測投票 4,262 票),其次是 Gemini 4 Argon 和 Gemini 4 Neon。

CP 值最高的 AI 模型是哪個?

在效能前段的模型中,最便宜的是 MiMo-V2.6-Pro(每百萬 Token NT$28.3,Arena 分數 1481)。

寫程式最常用的 AI 模型是哪個?

1⁠1⁠月⁠9⁠日⁠至⁠1⁠5⁠日這一週,OpenRouter 上用於程式設計最多的是 DeepSeek V4.1 Flash 1017,其次是 DeepSeek V4.1 Flash。

最好的 AI 圖像生成模型是哪個?

在2⁠0⁠2⁠6⁠年⁠1⁠1⁠月⁠2⁠0⁠日公布的 Arena 圖像排行中,GPT Image 2.5 Sunburst 品質排名第一(分數 1429)。

最好的 AI 影片生成模型是哪個?

在2⁠0⁠2⁠6⁠年⁠1⁠1⁠月⁠9⁠日公布的 Arena 影片排行中,Gemini Omni 1.2 Flash 品質排名第一(分數 1540)。

現在最熱門的開放權重模型是哪個?

截至2⁠0⁠2⁠6⁠年⁠1⁠1⁠月⁠2⁠2⁠日,Hugging Face 官方發布中最熱門的開放權重語言模型是 Alibaba 的 Qwen3.8 27B,以 4 位元量化大約需要 17 GB 記憶體。

排名方法

Avenvote 是什麼?

一個用公開資料每天為 AI 模型排名的免費網站。以 9 種語言呈現最常用、效能最好、CP 值最高的語言模型,以及圖像和影片模型。

多久更新一次?

每天約 00:10 UTC 更新。使用量為過去 7 天的合計;效能和品質會在 Arena 公布新排行時更新(每隔幾天到幾週)。

資料來自哪裡?

使用量來自 OpenRouter,效能和品質來自 Arena 公開資料集,圖像和影片的使用占比來自 Vercel AI Gateway(皆為 CC BY 4.0)。價格來自 OpenRouter 模型清單。

「使用量」是什麼意思?

過去 7 天開發者和應用程式透過 OpenRouter 收發的 Token 數量。這是 API 使用量,不等於 ChatGPT、Gemini 等應用程式的使用者人數。

效能是怎麼衡量的?

採用 Arena 的盲測投票:人們在不知道模型名稱的情況下,比較同一問題的兩個回答並投票。我們使用經過格式校正的分數,避免排版拉高分數,並只顯示 OpenRouter 上可用的前段模型,每個模型一筆。

「CP 值」是怎麼計算的?

把進入效能排行的模型依每百萬 Token 輸出價格由低到高重新排序,方便找到效能好又便宜的模型。

什麼是 Token?

AI 讀寫文字的單位。英文中一個單字約為 1.3 個 Token。價格以每百萬 Token 計算,輸入(AI 讀取的內容)和輸出(AI 寫出的內容)分別定價。

為什麼價格顯示為我所在地區的貨幣?

我們以固定匯率換算 OpenRouter 的美元標價。實際費用取決於服務商、快取和折扣。

為什麼找不到某個模型?

使用量顯示 OpenRouter 前 30 名(各用途前 30 名),效能顯示 Arena 前段模型中在 OpenRouter 上可用的模型。只在自家應用程式提供的模型可能不會出現。

「開發者未公開」是什麼意思?

大型實驗室有時會在發表前以代號在 OpenRouter 上測試新模型。在開發者公布之前,我們會顯示為「開發者未公開」。

官網連結是廣告嗎?

這些連結指向各模型的官方網站。如果某個連結是聯盟連結,我們會清楚標示,而且它絕不會影響排名。

推薦是怎麼計算的?

任何人不需帳號,每個模型每天可以推薦一次。我們不儲存 IP 位址,只保存一組不可逆的代碼 8 天,用來防止重複投票。

可以使用或引用這些資料嗎?

可以。引用、截圖、貼文、文章和 AI 回答只需附上你使用的頁面連結。大量複製我們整理的資料或作為資料集再散布需要取得許可。原始來源的資料(OpenRouter、Arena、Vercel)為 CC BY 4.0,可直接從這些來源取得使用。

開放權重模型所需的記憶體是怎麼估算的?

根據 Hugging Face 上的參數量粗略估算:語言模型以 4 位元量化每 10 億參數約 0.55 GB,圖像和影片模型以 8 位元約 1.1 GB,再加 10%。Mac 以統一記憶體的約 70% 可用,沒有顯示卡的電腦以記憶體的約 60% 可用。實際需求會隨上下文長度和設定變化,僅供參考。

發現資料錯誤要怎麼回報?

請寄信至 [email protected],或使用聯絡頁面。