分析驱动AI模型排名的关键因素。驱动因素代表最影响模型在排行榜中位置的特定信号 -- 包括正面助推和负面拖累。
独特驱动因素
6
有驱动因素的模型
300
主要正面驱动因素
Context Window
278 个模型
主要负面驱动因素
Output Capacity
52 个模型
每个驱动因素在所有排名模型中出现的频率，按影响类型分类。
| 驱动因素 | 总计 | 净影响 |
|---|---|---|
| Capabilities | 300 | +105 |
| Context Window | 282 | +278 |
| Recency | 267 | +216 |
| Output Capacity | 204 | +93 |
| Benchmarks | 112 | +74 |
| Pricing | 35 | -15 |
最常见的6个正面影响驱动因素，提升模型排名。
1.1M token context window
Released within the last month
Supports reasoning, vision, tools, JSON mode, web search, streaming
Up to 66K output tokens per request
$180.00/M output tokens
最常见的5个负面影响驱动因素，拉低模型排名。
Up to 66K output tokens per request
Supports reasoning, vision, tools, JSON mode, web search, streaming
$180.00/M output tokens
Released within the last month
按评分排列的前20个模型及其各自的驱动因素分析。
按底层信号类别分组的驱动因素，显示正面、负面和中性影响的分布。
| 信号 | 数量 |
|---|---|
| capability | 300 |
| context_window | 282 |
| recency | 267 |
| output_capacity | 204 |
| benchmark | 112 |
| pricing_tier | 35 |
驱动因素分析的工作原理。
驱动因素是最影响模型在排行榜中位置的特定因素。每个驱动因素捕获模型质量、定价、能力或市场表现的一个独特方面，这些方面共同构成综合排名评分。
驱动因素来源于跨多个维度评估模型的评分算法。该算法识别出对每个模型最终排名影响最大的信号，然后将最大贡献者作为驱动因素呈现，附带相应的影响方向和指标值。
正面 驱动因素帮助模型获得更高排名 -- 模型在此方面表现出色。 负面 驱动因素拉低模型排名 -- 这是模型的薄弱环节。 中性 驱动因素存在但不会显著影响排名方向。
Ranking drivers are the individual factors that push a model's composite score up or down. Positive drivers (like strong benchmark performance or competitive pricing) boost a model's rank, while negative drivers (like limited capabilities or high cost) pull it down.
Each driver represents the difference between a model's signal score and the average across all models, weighted by importance. Signals include capability breadth, pricing tier, context window size, recency, output capacity, and versatility.
Capability breadth and pricing tier each account for 25% of the composite score, making them the two most influential factors. Context window and recency each contribute 15%, while output capacity and versatility each add 10%.