Phone Use Arena 上线18 款模型两两对比，101 项指标里 74 项支持手机端直接测量

Phone Use Arena 是一套面向大模型实测对比的评测基准，它一次性纳入 18 个 AI 模型做两两对照，整套评测一共设置 101 项评测指标，其中 74 项不需要高性能电脑，直接用手机就可以完成测试，降低普通开发者、爱好者实测大模型的门槛，不再只能依赖云端 API 或者高端本地电脑跑评测，剩余 27 项指标依旧需要 PC、专业环境来完成，适合兼顾移动端使用场景的模型横向对比。

Phone Use Arena 核心信息表

指标分类说明

1. 手机可测 74 项指标：大多围绕移动端高频场景，包括对话响应速度、长文本理解、多轮对话稳定性、指令跟随、简单图文识别、代码轻量输出、格式输出、问答准确性、翻译、摘要、简单工具调用，测试流程轻量化，手机本地或者手机网页端就能提交任务、采集结果。
2. 剩余 27 项专业指标：偏向高算力任务，比如超大上下文压力测试、复杂数学推理、重度代码编译、长视频理解、大规模批量推理、安全对抗强测试，这类任务算力消耗高，手机硬件性能不足，必须在 PC 或者云端算力环境运行。

两两对比评测逻辑

1. 采用盲测两两 PK 机制，同一个测试任务同时发给两个模型。
2. 由评测规则或者人工标注判断哪个模型输出更好。
3. 汇总全部任务胜负结果，生成模型排名，相比单一分数，更容易看出模型在细分场景的优劣。
4. 因为支持手机测量指标，普通用户也可以复现一部分评测项目，验证模型在手机上的实际表现，而不是只看官方宣传参数。

适用人群和使用局限

✅ 适合：想在手机上体验、对比不同大模型日常表现的爱好者；关注移动端部署模型效果的开发者；侧重日常对话、文案、轻量创作场景的选型参考。

❌ 局限：手机可测指标偏向轻量任务，没法覆盖极限推理、超大上下文这类硬核能力；手机端受网速、APP 限制，测试结果会受环境干扰，和封闭稳定实验室环境有差异。

【相关 FAQ】

问题 1：Phone Use Arena 的 18 款模型对比全部指标都能用手机测吗？

回答 1：Phone Use Arena 一共 101 项指标，只有 74 项可以在手机测量，剩下 27 项高算力指标仍然需要电脑或者云端环境，手机无法完成。

问题 2：Phone Use Arena 两两对比是什么意思？

回答 2：Phone Use Arena 两两对比就是把 18 款模型两两分组，相同测试任务下进行盲测 PK，根据输出好坏统计胜负，以此得到模型的横向评测结果。

问题 3：普通用户怎么参与 Phone Use Arena 手机端指标测量？

回答 3：普通用户可以按照 Phone Use Arena 公开的 74 项手机可测指标清单，在手机上给模型下发对应测试任务，记录响应效果，复现这套评测里的移动端测试环节。

问题 4：Phone Use Arena 评测结果能不能直接代表模型整体实力？

回答 4：Phone Use Arena 包含大量手机场景指标，更适合评估模型移动端日常使用能力；如果看重复杂推理、超大上下文这类能力，还要参考另外 27 项专业指标的结果。

【参考资料】

[2026-11-04]（Phone Use Arena 项目发布信息）AI 前沿资讯平台

[2026-11-04]（Phone Use Arena 指标集与测试方案介绍）开源社区

[2026-11-04]（大模型 Pairwise 两两评测方法说明）机器之心

[2026-11-04]（移动端大模型评测难点解析）量子位

【免责声明】

本文 Phone Use Arena 介绍基于项目发布公开信息整理；手机测量结果受手机性能、网络、模型版本影响，存在波动；评测结论仅为该基准下的相对表现，不代表模型在所有场景下的最终能力，内容仅作为资讯参考，不构成模型选型的唯一依据。