AIHOT 共识分
先用全部真实成对结果估计潜在能力，再计算该能力相对 18 个冻结锚点模型的平均预测胜率，映射到 0—100 分。它不是来源分数的算术平均，也不是当期模型百分位。
返回模型榜LATENTRANK V8.1 页面读法 计算流程 01 02 03 04 05 06 缺失数据 数学定义 进入总榜 当前权重 身份与配置 正确解读
AIHOT 排名与共识分算法规则
综合分不是把不同排行榜的分数直接平均，而是从固定权重的真实共同参评结果中，估计每个模型在同一能力尺度上的位置。
方法版本 2026.08-latent-rank-v8.1锚点版本 2026-08-10-a
核心过程
共同参评 → 真实胜负 → 全网能力 → 固定锚点分
一张榜没有收录某个模型时，这张榜对它不产生任何胜、负或平局。空缺预算不转给其他来源，只减少证据并提高不确定性。
共识分和评测完整度分别表示什么
评测完整度
首页百分比是模型实际拿到的证据预算：逐项计算“来源组固定权重 × 榜单组内份额 × 已评子项目份额”后求和。一张榜单只测到部分子项目，只计对应份额，不会再被显示为整张跑满；完整度本身不作为扣分项。
六步得到最终排名
统一模型身份
先把来源别名归到中央型号目录；日期、Preview、Beta 等版本标记保留，推理档位、Harness、Scaffold 等评测配置必须分离。身份证据冲突或配置仍混入型号主键时，整张快照拒绝入榜，不猜测合并。
固定代表配置
同一来源、指标和基础模型只选一条代表配置，选择规则在读取成绩前确定。Agent／脚手架明细保留，但成绩归到基础模型。
只比较共同参评
同一指标里共同出现的两款模型才形成结果；严格高低记胜负，原榜置信区间重叠或原始成绩相同记平局。
固定证据预算
当前 10 个独立来源组各占 10%。同一运营方有多张榜单时只在组内平分预算；来源包含多项指标时再拆分自己的份额，长榜也不会因为榜单多或对手多而放大影响。
联合估计潜在能力
正则化 Bradley–Terry 模型寻找一组最符合全部加权胜负的能力值。零中心弱先验只在证据少时抑制不合理的极端估计。
锚定分数与名次
共识分相对冻结锚点计算，排名按未舍入的潜在能力排序；页面显示的一位小数不参与排序，首页只截取前 30 名。
空白不是 0 分，也不是隐藏的平均分
不会发生
- 不补 0、50、末位或机器预测分。
- 不把缺测写成一场输局或平局。
- 不把空缺的来源组或榜单预算转给仍有成绩的来源。
- 不因为完整度较低再额外扣一次综合分。
实际影响
- 该来源没有对应的比较项，模型的总证据量减少。
- 弱先验相对更有影响，极端能力估计会更保守。
- 分数标准误通常增大，置信等级可能下降。
- 如果剩余真实证据足够强，模型仍然可以排在前列。
完整覆盖模型的有效比较预算是 84。例如完整覆盖 8 个各自只有一张榜单的独立来源组时，已取得 80％ 的证据预算，即 84 × 80％＝67.2；不会把这 8 组放大成完整的 100％。
从一张原榜到 0—100 共识分
成对结果
yᵢⱼ ∈ {0，0.5，1}分别表示模型 i 负、平、胜。只有共同参评才会产生 yᵢⱼ。
单场权重
w＝84 × 来源预算 × 指标份额 ÷（参评数 − 1）除以参评数减一，使一张长榜和一张短榜对单个模型拥有相同的总来源预算。
评测完整度
Coverageᵢ＝100％ × Σₘ I（i 有 m 成绩）× 来源预算 × 指标份额I 只取 0 或 1。它按实际观测的子项目累计证据预算，不进入能力估计的得分项。
能力胜率
P（i 胜 j）＝1 ÷（1＋e⁻⁽ˢⁱ⁻ˢʲ⁾）s 是待估计的潜在能力。算法用全部加权结果联合求解，而不是逐来源先算平均分。
最终分数
Scoreᵢ＝100／|A| × Σₐ∈A P（i 胜 a）A 是当前连通分量里的固定锚点集合；锚点只定义尺子，不增加额外胜场或来源权重。
优化目标是加权 Bradley–Terry 对数损失加零中心高斯弱先验。相同快照、目录和版本输入会得到完全相同的排序；不使用当期最高分、最低分或百分位重新拉伸刻度。
证据门槛、完整度与不确定性
模型进入正式排名
- 必须连接到主锚点比较网络。
- 至少覆盖 3 个独立证据家族。
- 至少直接共同参评 2 个锚点；锚点模型自身豁免这一条。
- 已知发布日期时，只展示近 18 个月的当前模型。
一轮计算可以发布
- 18 个冻结锚点中至少有 8 个可用。
- 正式来源必须有真实可用快照，且数据没有超过各来源自己的时效上限。
- 原始分必须符合该指标方向与合法取值范围。
- 身份冲突、重复配置和过期信号在计算前排除。
分数不确定度
使用完整目标函数 Hessian 的 Laplace 近似，并通过 delta method 把能力方差传播到 0—100 分尺：SE＝√（gᵀH⁻¹g）。它同时考虑目标模型与全部锚点的相关不确定性，不是简单的来源标准差。
置信等级
高：至少 5 个证据家族、加权覆盖率不低于 50％、分数标准误不高于 4；中：标准误不高于 8；其余为低。置信等级只描述稳定性，不直接改变排名。
10 个独立来源组如何由 12 张榜单共享
AA Index单项指标10%
Epoch ECI单项指标10%
LiveBench单项指标10%
Arena Text单项指标5%
Arena WebDev单项指标5%
EQ-Bench单项指标10%
Vals Index单项指标10%
APEX-Agents2 项指标共享10%
Agents' Last Exam单项指标10%
DeepSWE v1.1单项指标10%
llm2014 Agent8 项指标共享5%
llm2014 推理单项指标5%
综合能力指数30%3 张榜单滚动客观题库10%1 张榜单用户偏好10%2 张榜单情绪理解10%1 张榜单专业 Agent20%2 张榜单软件工程15%2 张榜单专项推理5%1 张榜单
全部来源组预算总和为 100％，每个独立来源组固定占 10%；Arena Text 与 WebDev 各占 5％，llm2014 Agent 与推理各占 5％。同一证据家族当前总占比不超过 30%，避免相关榜单以不同名称重复控制结果。
Agent 成绩为什么仍然记到基础模型
基础模型是排名主体
Agent、工具调用、脚手架和推理档位是评测配置，不是新的基础模型。来源选择出的代表配置成绩统一归到对应裸模，配置名称和原始分继续保留在详情页供审计。
配置不能按最高分临时挑选
配置优先级由第一方身份、推理档位和来源控制方式预先确定。同一来源和指标中只允许一条配置进入正式比较，其他配置不会重复增加模型的胜场。
严格名次不等于显著能力差距
排名必须按潜在能力中心估计排出先后，但相邻模型的分差可能远小于各自不确定度。这种情况下只能说中心估计略高，不能据此断言前一名显著强于后一名。
缺失也可能不是随机的：如果一个模型只参加擅长的评测，任何拒绝虚构分数的算法都无法完全消除选择性参赛风险。AIHOT 选择公开完整度与不确定度，而不是用不可验证的矩阵补全偷偷猜分。
模型详情里的来源换算位置只帮助核对原榜，不参与算术平均复算；正式总分始终来自同一套加权成对网络。