MakoBench：+NSFW测试集

在总共 56 个模型中，排名第 47 在序列号4.1处，公告已发布：十一月 2026。 点击列标题即可排序；点击姓名旁的箭头可查看该型号的所有详细信息；点击标题旁的 i 则可了解其含义。列选项用于选择要显示的内容；导出功能则用于保存表格。

仅针对以成年角色为主的成人小说的单独测试；不计入总计中。

我们在一台机器上测试本地模型：该机器配备了两张 RTX 5090 和两张 RTX 3090 显卡，显存总量约为 112 GB。评估工具则使用的是 Gemma 4 31B（Q8）。那些托管型模型则是通过其各自的 API 来运行的。 该测试设备可以测试什么

• 总分 = 编码得分 + 聊天得分。每项得10分即表示顺利通过了所有标准测试，因此20分就是理论上的最高分；奖励包可带来额外加分，直至达到该套测试所能给出的最高分值（各行的进度条会显示这一数值）。不适宜公开的内容评分则属于另一项独立测试（用于衡量模型处理成人内容的程度），它不计入总分。分数高低并无优劣之分：请根据自身需求进行选择即可。
• 在标准测试中，每个项目的满分均为10分。如果某个项目的得分达到90%或以上，就能解锁难度更高的奖励关卡，该关卡可带来1分的奖励。因此，代码、聊天和NSFW这三个项目的得分可以超过10分；具体来说，每个项目最多可获得10分再加上1分的奖励。
• ± 总和 = 在测试案例上进行自助法计算后所得90%置信区间的一半；数值相差小于此值的模型在统计学上可视为相当。
• 每个模型仅运行一次，因此±值反映的是被抽中的案例情况，而非多次运行产生的误差；这一数值实际上低估了真实的不确定性。在此处，使用相同权重的模型结果之间的最大差异可达2.4个百分点。相差1到2个百分点的情况可视为结果相当。
• 等级划分标准为：S级≥16，A级≥13，B级≥10，C级≥0。
• 当与板面中位数的差距达到1.5分或更多时，即为偏向聊天或偏向代码；否则为平衡状态。
• tok/s = 平均生成速度；仅适用于在同一主机上运行的模型之间的比较。
• 量化等级 = 我们评定的量化级别。Q8_0是本地模型的标准量化等级；其他任何量化等级在详细信息行中均被标记为非标准量化等级。API = 由服务提供商托管并提供的模型。
• 运行成本 = 按照服务商的价格计算，仅执行一次“代码与聊天”测试所需的费用。~ = 根据令牌数量及标价估算得出。* 表示部分请求返回的结果中未包含使用数据，因此该数值可能偏低。— 表示在我们自己的硬件上运行，故不产生费用。
• N被阻止 = 提供商的内容过滤器阻止了N条回复；每条回复的得分均为零。
• 每个模型占一行：具有相同权重的其他量化级别和服务层级都列在主行下方（点击箭头展开），且不予排名。
• ⚠ 暂定状态 = 未显示排名；原因会在相应行中说明（兼容性检查未通过、测试尚未完成，或奖励包需重新测试）。可重新测试的条目在重新测试后会获得排名；而测试结果低于Q5标准的条目以及因规模过小而无法参与所有测试的模型则仍保持无排名状态。
• 在“总计”栏中的短横线表示该型号的某个运行项目（代码、聊天功能或奖励包）尚未评分，因此未被排名。