什么是胜率？两两对比的战绩，看完就会判断

想知道两个大模型谁更强，最直接的办法是让它们同题正面交手，然后数胜负——赢的场次占总场次的比例，就是胜率。你在对比 DeepSeek 和豆包谁更好用时，对战榜上的那串百分比，说的就是它。

胜率怎么算出来的

流程不复杂：同一道题让两个模型各答一次或各答多次，由人工评审或模型裁判判哪边更好，赢一场记一场，最后赢场数除以总场数。打个比方，它像球队交手记录——甲对乙十场赢七场，你就大概知道谁占上风。类比失效之处：球队实力相对固定，而模型发挥随题目类型波动很大，甲在写作题上七成胜率，代码题上可能倒过来。判分者不同，同一批对局算出的胜率也不同，所以严谨的榜单会注明胜负由谁判定、判分指南是否公开。各答多次的做法还能顺带量出稳定性：同一道题答五次，四次好一次崩，胜率之外又多一层信息。有人建议把平局按五五开折算进胜率，也有人认为平局就该剔除，两种口径都有榜单在用，比较前务必对齐。样本量的下限没有死数，但经验上几百场起步、上千场才谈得上稳定，几十场的榜单只配当花絮。题目池大小也要看，题目翻来覆去就那几道，场次再多也是原地打转。更细的榜单会把平局率单独列出来，平局率异常高，说明题目区分度不够，或两个模型水平实在接近。简单说，胜率回答「这两个谁强」，等级分回答「全场谁强」，两个问题用两把尺子，别混着用。这个数字看着简单，坑全藏在细节里，尺子用对了地方才是尺子，用错了地方就是摆设。

场次太少会骗人

胜率最怕样本少。只打十场，七成胜率可能只是运气；打上几百上千场，数字才开始有参考价值。所以读榜先看对战量：没标场次只给百分比的榜单要多留个心眼。另一个常见坑是题目偏科——题库里写作题占八成，算出来的胜率只代表写作能力，代表不了全部。

平局算谁的

两个模型答得难分高下很常见，平局的处理方式直接影响胜率数字：有的榜单不计入总数，有的算半场，有的强制评审员二选一。同一场对局，算法口径不同，胜率能差出好几个点，跨榜单比较前先确认口径是否一致。

胜率和等级分是什么关系

胜率是原始战绩，等级分是把战绩折算成排位的算法，两者常一起出现：对战细节用胜率看，总排名用 Elo 看，排位算法见什么是 Elo 等级分？对战的排位。谁来判定胜负也很关键——人评的流程见什么是人机对比评测？人和机器一起评，模型评审的机制与风险见什么是 AI 裁判？用模型评模型；评审自己带偏向时，胜率也会失真，见什么是裁判偏好？裁判自己的毛病。

胜率速查表

• 算法：赢场数除以总场数，平局口径要先确认。
• 前提：场次要够多，题目分布要均衡。
• 用法：适合两两比较，不适合跨题域泛化。

先看场次再看百分比，顺序别反。

一句建议收尾：把胜率当作两两比较的尺子，别当全面评价。想知道甲和乙谁强，看他们直接交手的胜率；想知道甲是不是全能选手，胜率给不了答案，要看分题域的成绩。

胜率快问快答三则

• 六成胜率算强吗？：要看场次和题目分布，场次太少或题目偏科，数字都靠不住。
• 胜率高的模型一定值得换吗？：不一定，差距在一个百分点内基本没有实际意义，差距大也要结合你常用的任务类型。
• 价值观层面的对错也能用胜率比吗？：能但更难判，那类考题的思路见什么是对齐评测？价值观的考卷，通俗版解释。