大语言模型（LLM）正在以惊人的速度迭代，每隔几个月就有新模型宣称刷新各项纪录。然而，如何客观、全面地衡量一个模型的真实能力，始终是学术界和工业界的核心问题。本文系统梳理当前主流的大模型评测基准，分析各基准的设计思路、适用场景与局限性，并探讨 2026 年评测体系的新趋势。