企业官网建设流程全解析

1. 为什么大家都在 LMArena 蹲 Gemini 3：匿名对战到底怎么玩

最近 AI 圈最热闹的事，莫过于 LMArena 上突然冒出来的两个神秘模型：lithiumflow 和 orionmist。名字看着像随手编的代号，但社区里几乎一致认定，这就是 Gemini 3 系列在正式发布前的盲测版本。原因也不复杂——lithiumflow 的视觉理解强得离谱，有人丢一张模拟时钟的图片过去，它能准确读出指针指向的时间，这个任务很多模型都会翻车；还有人让它写游戏逻辑，它直接用数学算法把代码优化了一遍，一次成型。orionmist 整体稍弱一点，但多了联网搜索能力，两者分工很像 Pro 和 Flash 的搭配。

LMArena 本身是加州大学伯克利分校做的开放评测平台，核心玩法是匿名对战：你提一个问题，系统随机分配两个模型分别回答，你投票选更好的那个，投完票才揭晓模型身份。这种设计最大程度消除了品牌偏见，你只能凭回答质量判断。也正因为匿名，厂商才愿意把未发布的模型放上来跑分，Grok 4、GPT-5、nano-banana 发布前都在这里露过脸。

对普通用户来说，这意味着什么？意味着你不需要任何内测资格、不需要申请白名单、不需要付费订阅，打开浏览器就能提前和可能是 Gemini 3 的模型对话。整个过程零门槛，连注册都可以跳过。下面我把从访问入口到模型选择、再到对话评测和结果对比的完整流程拆开讲，每一步都给可复制的操作，你跟着做就行。

2. 访问 LMArena 与模式选择：Battle 模式才是抽到 Gemini 3 的关键

先说访问。浏览器直接输入 https://lmarena.ai ，回车。页面加载后你会看到输入框，不需要登录就能直接开聊。如果你希望保存聊天记录、方便后续对比，可以点右上角登录，支持谷歌账号一键登录，几秒钟搞定。不登录也完全不影响体验，只是刷新后记录会丢。

进入官网后，注意看界面上的模式选项，这是整个流程里最关键的一步。LMArena 提供几种模式：

划重点：想遇到 lithiumflow 和 orionmist，必须选 Battle 模式。这两个模型还没公开发布，只会出现在随机对战里，就像抽卡，不是每次必中，但多试几次总能抽到。Battle 也是 LMArena 的默认模式，进去一般就在这个界面。

选好模式后，在输入框里输入你的问题，发送。界面会显示 Assistant A 和 Assistant B 两个匿名模型，分别给出回答。这时候你还不知道谁是谁，只能看回答质量。接下来投票，选项有四个：Left is Better、Right is Better、It's a tie、Both are bad。这里有个小技巧，测试阶段建议选 It's a tie，因为投票后系统才会揭晓模型身份，选平局可以让你在揭晓后继续追问、继续测试同一个模型，不用重新抽。

如果第一次没遇到目标模型，别气馁。点左侧菜单栏的 New Chat，系统会重新随机分配模型。实测下来，多试几次命中率不低，有人第三次就遇到了 orionmist。整个过程不需要任何配置，纯靠点击，这也是 LMArena 对小白最友好的地方。

3. 可复制的评测配置：用固定 Prompt 复现 Gemini 3 的能力对比

虽然 LMArena 是网页操作，但如果你想认真评测、复现对比结果，光靠随手提问是不够的。你需要一套固定的测试用例，这样每次抽到不同模型时，才能横向比较。下面我给一份可以直接复制使用的评测配置清单，包含三类 Prompt，分别测视觉、编程和联网能力。

第一类，视觉理解测试。准备一张包含多个元素的图片，比如带指针的时钟、包含文字的截图、或者复杂图表。Prompt 可以这样写：

请描述这张图片中的所有细节，包括：1) 图中主要物体及其位置关系；2) 如果有时钟，请读出准确时间；3) 如果图中有文字，请逐字转录。请用中文回答。

lithiumflow 在这类任务上表现突出，尤其是时钟读数这种很多模型会翻车的场景。你可以把同一张图分别喂给抽到的模型，记录回答准确度。

第二类，编程能力测试。用一道需要算法优化的题目，观察模型是否一次性给出完整逻辑：

用 Python 实现一个贪吃蛇游戏的核心逻辑，要求：1) 使用面向对象设计；2) 蛇的移动用坐标队列实现；3) 食物生成不能与蛇身重叠；4) 给出完整可运行代码并附注释。

社区反馈 lithiumflow 会用数学算法优化代码，一次写出完整游戏逻辑。你可以对比不同模型在代码完整性、注释质量和边界处理上的差异。

第三类，联网搜索测试。这类任务主要看 orionmist，因为它有联网能力：

请查询今天 AI 领域最重要的三条新闻，并给出每条新闻的来源链接和一句话摘要。

如果模型能给出实时信息，说明联网生效；如果只给训练数据里的旧内容，说明没联网。把这三类 Prompt 存到本地文本里，每次抽到新模型就粘贴一遍，记录结果，你就能得到一份自己的对比表。

另外，如果你在本地用 API 方式做批量评测，需要配置 Base URL、Key 和 Model ID 三件套。以 TaoToken 为例，Base URL 是 https://taotoken.net/api ，Key 在控制台创建，Model ID 按你实际要测的模型填。配置文件可以写成这样：

{ "base_url": "https://taotoken.net/api", "api_key": "sk-你的密钥", "model": "gemini-3-pro-preview", "temperature": 0.7, "max_tokens": 4096 }

注意，LMArena 网页端不需要这套配置，但如果你想把评测流程自动化、批量跑 Prompt，API 方式会更高效。两种方式可以配合使用：网页端抽卡体验，API 端批量复现。

4. 验证请求与成功结果：怎么确认你抽到的就是 Gemini 3

抽到模型只是第一步，关键是确认你遇到的是不是真的 Gemini 3 系列。投票后系统会揭晓模型名称，如果显示 lithiumflow 或 orionmist，那基本就是目标。但揭晓之后，你还需要做几个验证动作，确认它的能力符合社区描述。

第一个验证动作，切换模型复现对比。揭晓身份后，不要急着关掉，继续追问同一个问题，观察回答是否稳定。然后点 New Chat 重新抽，如果又抽到同一个模型，用同样的 Prompt 再问一遍，看结果是否一致。稳定输出高质量回答，说明不是偶然。

第二个验证动作，视觉任务复现。找一张带时钟的图片，分别发给 lithiumflow 和其他模型，对比读数准确率。lithiumflow 能准确报出时间，这是它最明显的特征之一。如果抽到的模型在时钟任务上频繁出错，那大概率不是它。

第三个验证动作，联网能力检测。问一个需要实时信息的问题，比如今天的日期加某条新闻。orionmist 能联网搜索，会给出带来源的实时回答；lithiumflow 没有联网能力，只会基于训练数据回答。这个差异可以帮你区分两者。

成功结果的标志是什么？一是揭晓名称显示 lithiumflow 或 orionmist；二是视觉任务准确率高，尤其是时钟读数；三是编程任务能一次给出完整可运行代码；四是 orionmist 能返回实时信息。满足这些，基本可以确认你体验到的就是 Gemini 3 预发布版本。

实测下来，整个流程最耗时的部分不是操作，而是抽卡。有时候连续几次都抽不到，这时候别放弃，点 New Chat 继续。社区里有人抽了十几次才遇到，也有人第三次就中。耐心一点，反正免费，多试几次成本很低。

5. 常见报错与排查：401、local proxy failed、OAuth 报错怎么处理

虽然 LMArena 网页端操作简单，但如果你同时用 API 方式做评测，可能会遇到一些报错。下面整理几个高频问题和排查方法。

第一个，401 Unauthorized。这个报错通常出现在 API 调用时，原因是 Key 无效或没带上。排查步骤：检查请求头里 Authorization 字段格式是否为Bearer sk-xxx，注意 Bearer 后面有一个空格；检查 Key 是否复制完整，有没有多余空格；检查 Key 是否已过期或被删除。如果用的是 TaoToken，去控制台重新创建一个 Key，替换后重试。

第二个，local proxy failed。这个报错一般和本地网络环境有关，不是 LMArena 本身的问题。排查步骤：检查本地是否设置了系统代理，如果有，尝试关闭后重试；检查防火墙是否拦截了请求；如果是公司网络，可能需要换一个网络环境。注意，这里说的是本地网络配置排查，不涉及任何特殊工具。

第三个，reading choices 报错。这个通常出现在解析 API 返回结果时，原因是返回结构和你代码里解析的字段不一致。排查步骤：先打印完整返回 JSON，看实际结构；确认 choices 字段是否存在，有些模型返回的是 candidates 或 content；检查是否因为 max_tokens 设置过小导致返回被截断。把返回结构打印出来对照，基本能定位。

第四个，OAuth 报错。这个出现在登录 LMArena 时，尤其是用谷歌账号一键登录。排查步骤：检查浏览器是否禁用了第三方 Cookie，OAuth 流程需要它；尝试换一个浏览器或无痕模式；如果公司账号有限制，换个人账号登录。登录不是必须的，如果一直报错，直接跳过登录用匿名模式也能体验。

第五个，模型不出现。这不是报错，但很多人会困惑。lithiumflow 和 orionmist 只在 Battle 模式随机出现，如果你在 Side by Side 或 Direct Chat 里找，永远找不到。确认你在 Battle 模式，然后多点几次 New Chat。

如果你在配置 API 时用到 Claude Code 或类似工具，需要写全三件套：Base URL 填 https://taotoken.net/api ，Key 填控制台创建的密钥，Model ID 填你要用的模型名。三者缺一不可，少一个就会报 401 或 model not found。配置文件建议用 JSON 或 TOML 格式，路径和字段名保持一致，避免解析错误。

6. 从体验到落地：把 LMArena 评测结果用起来的实用建议

体验完 Gemini 3 预发布版本后，很多人会问：然后呢？我的建议是，把 LMArena 当成一个持续跟踪模型能力的窗口，而不是一次性尝鲜。具体怎么做，分享几个实用思路。

第一，建立自己的评测记录表。每次抽到新模型，把 Prompt、回答质量、响应速度、是否联网记下来。积累一段时间后，你会对各家模型的能力边界有直观感受。这个表不需要多复杂，一个 Markdown 表格就够。

第二，把评测结果和实际项目结合。比如你在做视觉相关的应用，lithiumflow 的时钟读数能力说明它在图像理解上有优势，可以考虑在正式发布后接入；如果你需要联网搜索，orionmist 的方向更合适。提前在 LMArena 上验证能力，比等发布后再试错成本低得多。

第三，关注模型发布节奏。Gemini 3 在 LMArena 上跑分，说明发布临近。社区里有说 10 月 22 日的，有说 11 月 12 日的，也有说年底的。不管哪个时间点，提前在 LMArena 上熟悉它的能力特征，等正式发布时你就能快速判断它适不适合你的场景。

第四，如果你想把评测流程自动化，可以用 API 方式批量跑 Prompt。TaoToken 的 API 入口是 https://taotoken.net/api ，配合前面给的 JSON 配置，你可以写一个脚本，把三类测试 Prompt 批量发给不同模型，自动记录结果。这样比手动在网页上抽卡效率高得多。需要创建 Key 的话，去控制台操作就行；想先体验模型对话，可以直接用模型对话入口；如果是长期编码或 Agent 场景，Coding Plan 会更合适。

最后说一个我踩过的坑：一开始我在 Side by Side 模式里找了半天 lithiumflow，怎么都找不到，后来才反应过来必须用 Battle 模式。这个点很容易被忽略，但恰恰是能不能遇到 Gemini 3 的关键。记住，Battle 模式，多点 New Chat，耐心抽卡，你一定能遇到。