AI SOTA 模型权威数据追踪器

聚合 LMArena 等权威平台的 SOTA AI 模型追踪器，每日自动更新并提供 JSON/API 接口，助力开发者精准选型。

基本信息

• 技能名称?sota-tracker-claw
• 中文名称?AI SOTA 模型权威数据追踪器
• 作者?romancircus
• 分类?专业技能
• 版本?v1.0.1
• 标签?data-analytics, api, automation, development-engineering, education-research, backend

使用方法

使用说明
核心用法
SOTA Tracker 提供五种灵活的数据获取方式，满足不同场景需求： 静态文件下载 可直接获取 JSON/CSV 格式的完整数据集； 本地 SQLite 查询 支持复杂 SQL 筛选和自定义分析； Claude Code 集成 通过嵌入 CLAUDE.md 实现低 Token 成本的实时查询； REST API 提供标准化的 HTTP 接口便于服务集成； MCP Server 为兼容的 AI 助手提供原生工具调用能力。数据覆盖 LLM、图像生成、视频合成、语音处理等 9 大类别，包含 Elo 排名、基准测试、定价等多维度指标。
显著优点
该项目最大优势在于 数据权威性与时效性 的完美结合。通过自动化 GitHub Actions 每日抓取 LMArena（600 万+人类投票）、Artificial Analysis、HuggingFace 等顶级数据源，确保排名反映最新市场格局。独特的 "forbidden" 过期模型清单功能有效避免开发者选用已淘汰方案。技术架构设计合理，提供从静态文件到动态 API 的完整谱系，既支持离线批处理又支持实时查询，且针对 Claude Code 优化的静态嵌入方案显著降低使用成本。
潜在缺点与局限性
作为 T3 级别的社区项目，其 长期维护稳定性 存在不确定性，目前依赖个人开发者账号（romancircus）维护。功能层面， 网络强依赖 是主要限制——无论是每日数据更新还是实时 API 调用均需访问外部服务，完全离线环境无法获取最新数据。MCP 模式虽然功能强大，但文档明确提示其 Token 消耗高于静态嵌入方案。此外，爬虫依赖 Playwright 等重型库，本地部署时环境配置相对复杂。
适合的目标群体
该工具特别适合 AI 技术选型决策者 （架构师、技术负责人）、 AI 应用开发者 （需要对比模型性能与成本）、 学术研究人员 （追踪领域最新进展）以及 Claude Code 重度用户 （通过 CLAUDE.md 集成获得上下文感知的模型推荐）。对于需要构建内部模型评估体系的企业，其标准化的 JSON/SQLite 导出功能可快速集成到现有数据 pipeline 中。
使用风险
主要风险集中在 数据源稳定性 与 合规性 两方面：若 LMArena 或 HuggingFace 更改 API/robots.txt 策略，自动更新可能中断；虽然项目声明符合合理使用原则并尊重 robots.txt，但大规模商业部署时仍需关注数据源平台的服务条款变更。技术风险方面，虽代码本身通过安全审计，但 Playwright 浏览器自动化可能因目标网站结构变化而失效，需关注项目更新状态。