BENCHMARKS
用评测理解能力，用任务验证选择。
ASIORB 暂无自有评测成绩。以下说明评测维度，不能用于给模型排分。
智能体与工具
检查任务完成率、工具参数正确性和多步执行中断情况。
质量 —成本 —速度 —
多模态理解
分别评估文字、图片、音频和视频输入，避免混淆生成与理解能力。
质量 —成本 —速度 —
推理与知识
使用可核验的题目与评分规则，并区分是否启用额外推理预算。
质量 —成本 —速度 —
检索与事实核验
核对引用是否支持答案，记录资料时效、遗漏与错误来源。
质量 —成本 —速度 —
什么样的分数才有意义？
需要同时提供数据来源、测试日期、模型版本、提示模板、参数、样本量和评分规则。同一个模型在不同任务、预算和工具环境下，结果可能不同。
现在可以比较什么？
模型对比页提供真实目录字段，包括上下文、输入形式、工具调用和参考价格。首 token 延迟、每秒输出速度与任务正确率仍需实测。