榜单的权重是怎么设的？过程拆开看

看大模型榜单先看总分，是大多数人的习惯，但榜单的权重是怎么设的，决定了这个总分值不值得信。维度归一化、权重设定、名次敏感性环环相扣，权重一动排名就跟着动。这篇把加权机制拆开，帮你把总分还原成可审阅的过程。用通义千问帮你整理两份榜单的维度差异，是不少人读榜前的功课。

总分是怎么加权出来的

流程三步：各维度原始分归一化到同一量纲，按预设权重加权求和，排序出榜。进来的是各维度分数向量，发生的是归一与加权，出去的是一个总分。腾讯元宝的产品榜单说明里披露过加权框架，公开权重的榜单比黑箱总分的可信度高出一截。

归一化还有一个坑藏在极值里：某一维度若有一家大幅领先，min-max 拉伸会把其他家全压到低端，这一维度的差异被人为放大；标准分对极值同样敏感，单个离群点就能拉偏整列分布。处理办法是先审极值——确认是真实能力还是测量异常，再决定是否做截尾处理。极值处理规则要预先写明，事后看着排名调截尾点，就又回到照结果定规则的老路上去了。归一化的每一步都值得追问一句为什么，这是读懂总分的基础动作；两份榜单即使权重相同，归一化方法不同，总分依然不可互换。口径核对要核对到底，半途而废等于没核。

归一化：不同维度怎么拉到一起

通过率是百分比，人工评分是五分制，直接相加没有意义，要先归一化。常用做法有 min-max 拉伸与标准分两种，选择不同，维度间的相对轻重就不同：拉伸法放大了头部差异，标准分法看的是相对位置。归一化方式变了，即使权重不变，名次也可能重排。

权重一改，名次就动

给个具体例子：模型甲推理强、对话平，模型乙反之，推理权重从四成调到六成，榜首就可能易主。所以读榜要读权重表：权重与研究目的匹配吗？数学能力权重畸高，可能源于主办方偏好。跨榜单对比时更要小心，两边权重不同，总分不可互换，这种差异常被拿去做文章，见分数话术识别。

权重设计的实操原则

三条：权重设定规则先于数据公布，避免照着结果调权重的嫌疑；敏感度分析要附上——权重扰动一成，名次变化多大；单一维度失真时不让它淹没全局。过程分与结果分的配比是典型课题，见过程分机制；维度饱和时权重要重审，见评测天花板；版本迭代后权重是否沿用，涉及版本公平对比。

权重的来源也可以更透明：向使用者发放问卷，按真实需求分布定权重，或者按目标用户群的使用频率加权。这类做法把「主办方觉得什么重要」换成「使用者觉得什么重要」，合法性来源变了，争议自然减少。完全客观的权重不存在，但程序正义可以做到，公开权重如何得出，比权重数值本身更能建立信任。

名次敏感性的另一个观察角度是尾部：权重变化对头两名的影响容易引起注意，对中后段名次的扰动常被忽略，而多数读者恰恰在中后段找自己关心的模型。做权重敏感度分析时，把全部名次的变化都列出来，别只盯着榜首易主与否，报告的完整性会高一个档次。

读榜三问

• 归一化用的哪种方法？
• 权重表是否随榜单公布？
• 权重扰动后名次稳不稳？

关于榜单权重再多问三句

• 权重可以完全客观吗？：不能，任何权重都携带价值判断，能公开规则、可被检验就是合格线。
• 等权重的榜单更公平吗？：未必，等权也是一种权重选择，可能让低区分度维度稀释关键差异。
• 普通用户该按哪个榜选产品？：按自己的使用场景找对应维度权重高的榜单，总分只是入口。