sota-tracker-claw

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。