大模型评测结果分析：通过率、耗时与费用

大模型评测结果分析器在浏览器内校验独立尝试记录，检查样本和配置能否比较。统计全部尝试通过率、完整请求耗时中位数与已核对费用，保留失败、未知和缺失账单，再下载脱敏汇总。

你的输入只在当前浏览器内处理，不放入 URL，不上传、不保存，也不自动调用 API。刷新页面后清空你的输入。

导入独立尝试元数据

最多1MiB / 10,000条。至少两个不同模型；每次尝试有独立trialId。已核对金额填billedUsd，未知填null，不要填估价。

导出仅保留支持的状态、数值与配置/模型标识，不包含输入原文或未知字段。先移除尚未提交的占位记录；未知提交状态应保留为unknown。

尝试记录JSON

{
  "schemaVersion": 1,
  "kind": "benchmark-attempts",
  "note": "模拟示例，型号为虚构，未调用API、未产生费用。",
  "configs": [
    {
      "id": "demo-medium",
      "protocol": "chat",
      "requestedGenerationCap": 4096,
      "effort": "medium",
      "thinking": null,
      "toolChoice": "auto",
      "temperature": null,
      "topP": null,
      "budgetMappingVerified": false
    }
  ],
  "records": [
    {
      "trialId": "demo-a-s1",
      "model": "fictional-model-a",
      "datasetId": "simulated-contract-v1",
      "sampleId": "s1",
      "configId": "demo-medium",
      "status": "completed",
      "passed": true,
      "elapsedMs": 1500,
      "billedUsd": null,
      "inputTokens": 100,
      "outputTokens": 35,
      "cachedInputTokens": null,
      "reasoningTokens": null,
      "finishReason": "stop"
    },
    {
      "trialId": "demo-a-s2",
      "model": "fictional-model-a",
      "datasetId": "simulated-contract-v1",
      "sampleId": "s2",
      "configId": "demo-medium",
      "status": "unknown",
      "passed": null,
      "elapsedMs": null,
      "billedUsd": null
    },
    {
      "trialId": "demo-b-s1",
      "model": "fictional-model-b",
      "datasetId": "simulated-contract-v1",
      "sampleId": "s1",
      "configId": "demo-medium",
      "status": "completed",
      "passed": false,
      "elapsedMs": 1800,
      "billedUsd": null,
      "inputTokens": 100,
      "outputTokens": 40,
      "cachedInputTokens": null,
      "reasoningTokens": null,
      "finishReason": "stop"
    },
    {
      "trialId": "demo-b-s2",
      "model": "fictional-model-b",
      "datasetId": "simulated-contract-v1",
      "sampleId": "s2",
      "configId": "demo-medium",
      "status": "truncated",
      "passed": null,
      "elapsedMs": 2000,
      "billedUsd": null
    }
  ]
}

1,851 / 1,048,576字节 · 当前为虚构模拟示例

已填入虚构模拟示例，尚未分析、没有真实调用或费用。请点击分析，或替换为脱敏记录。

对照检查步骤与结果使用

合成尝试记录的本地分析结果：本站工具实际界面 — 本站结果分析器对合成记录的演示；demo 型号和费用是输入样例，不是真实模型成绩。诊断只核对已提供的元数据。
查看高清原图

先检查可比条件，再计算通过率：trialId、sampleId、configId、billedUsd — 本站绘制的内容说明图：本页分析库对独立尝试、完成状态与配置等价的核对规则；材料对齐和配置相同仍需真实记录证明，不能把缺失账单当作零费用。
查看高清原图

如何使用检查结果

先确认是不是同一组测试

至少需要两个不同模型，并为每条独立尝试填写trialId、model、datasetId、sampleId、configId及对应配置。数据集、样本集合或重复尝试数不齐时，统计可用于核对各自记录，不能直接得出横向结论。

把失败和未知留在分母

全部尝试通过率=明确通过数÷全部记录数。完成请求耗时只统计status为completed且有elapsedMs的记录，包含网络和队列，不是首Token延迟。重复trialId拒绝整份导入；真实重试使用新ID，不能覆盖原尝试。

已知费用与全部成本分开

billedUsd只能填已逐条核对的实际金额，未知填null。费用不齐不能当作总成本。标准schema的inputTokens/outputTokens是归一化总量：Messages原生input_tokens不含cache read/write，字段齐全时先加进总input，无法归一化则填null。cache/reasoning分项不再重复加进总量，也不据此估价。

常见问题

能导入上一批实测报告吗？

支持20261009同档主力原始summary.json的明确格式，映射trial_id、任务/样本、协议、选定请求参数和既有usage数值。其他JSON或报告需转换为标准schema，不会把任意答案当作测试记录。

工具会告诉我哪款模型最好吗？

不会。样本对齐、预算映射和实际任务评分都要核对；相同medium也不能证明等算力。结果用于这份测试的记录检查，不生成冠军或通用能力排名。

需要粘贴完整回答或API Key吗？

不需要。只粘贴脱敏元数据、数值、状态与配置标识；不包含请求素材、答案、Key、响应ID或错误原文。工具不上传、不存储，汇总仅保留允许的元数据字段。

全球顶尖大模型 · 一站式接入

选择支持所需接口的准确型号，用 apizt API Key 完成首个任务，再核对响应与控制台记录。

创建 API Key 选择模型

正在打开页面…

正在加载内容，请稍候。