OpenRouter 发布 LLM 基准测试教程：如何用自己应用的任务评测模型

导读

OpenRouter 发布教程，讲解如何用应用的真实输入和输出契约评测 LLM，通过相同任务对比评分准确率、计费成本和请求耗时。在其 60 个合成任务上，GPT-6.1 Sol 三次重复全部通过 180/180，DeepSeek 成本最低、通过 157/180；与 Artificial Analysis 公开榜单的 Spearman 相关性仅 0.109。