大模型排行榜 · AI 模型榜单
一页聚合主流 AI 基准与榜单——arena.ai 竞技场 Elo、Artificial Analysis 智能指数与语音竞技场、OpenRouter 用量——覆盖对话、代码、TTS、语音识别、图片、视频与智能体。
| 排名 | 模型 | 厂商 | Elo ? | 票数 ? | 输入 ? | 输出 | 缓存 ? |
|---|---|---|---|---|---|---|---|
| 1 |  gemini-4-argon-high | 1525 ±9 | 4,932 | — | — | — | |
| 2 |  claude-opus-4-6-high | Anthropic | 1505 ±3 | 77,636 | 5.00 | 25.0 | 0.500 |
| 3 | claude-fable-5-high | Anthropic | 1504 ±4 | 38,387 | 10.0 | 50.0 | 1.00 |
| 4 | claude-opus-5.5-high | Anthropic | 1504 ±9 | 4,552 | 4.00 | 20.0 | 0.200 |
| 5 | claude-opus-4-7-high | Anthropic | 1501 ±4 | 64,946 | 5.00 | 25.0 | 0.500 |
| 6 | claude-fable-5.1-max | Anthropic | 1501 ±6 | 11,800 | 10.0 | 50.0 | 0.250 |
| 7 | claude-opus-4-6 | Anthropic | 1497 ±3 | 82,189 | 5.00 | 25.0 | 0.500 |
| 8 | gemini-3.8-flash-high | 1495 ±5 | 26,298 | 0.750 | 3.75 | 0.075 | |
| 9 |  muse-spark-1.3-max | Meta | 1494 ±6 | 12,343 | 1.25 | 4.25 | 0.150 |
| 10 | claude-opus-4-7 | Anthropic | 1494 ±4 | 66,058 | 5.00 | 25.0 | 0.500 |
| 11 | muse-spark-1.2 (xHigh) | Meta | 1494 ±9 | 4,356 | 1.25 | 4.25 | 0.150 |
| 12 | muse-spark-1.1 | Meta | 1491 ±4 | 37,238 | 1.25 | 4.25 | 0.150 |
| 13 | claude-opus-5-high | Anthropic | 1490 ±4 | 59,482 | 5.00 | 25.0 | 0.500 |
| 14 | claude-opus-5-max | Anthropic | 1489 ±5 | 28,937 | 5.00 | 25.0 | 0.500 |
| 15 | muse-spark | Meta | 1489 ±6 | 14,120 | — | — | — |
| 16 |  kimi-k3-max | Moonshot | 1488 ±5 | 28,280 | 0.730 | 13.5 | 0.550 |
| 17 | gemini-3.7-flash-high | 1488 ±5 | 21,539 | 0.750 | 3.75 | 0.075 | |
| 18 | gemini-3.1-pro-preview | 1487 ±3 | 121,806 | 2.00 | 12.0 | 0.200 | |
| 19 | gemini-3-pro | 1485 ±4 | 41,910 | — | — | — | |
| 20 |  gpt-5.6-sol-xhigh | OpenAI | 1484 ±4 | 36,656 | 2.00 | 10.0 | 0.200 |
数据来源: arena.ai · 更新于 Oct 2, 2026 · PandaNpc 更新于 2026年10月13日 UTC 06:00查看完整榜单 →
指标怎么读
大模型排行榜告诉你「人更喜欢谁」，AI 基准测试告诉你「它客观上能做什么」，用量数据告诉你「开发者真的在用谁」。没有哪一张榜能单独回答「最好的 AI 模型是哪个」，所以这一页把三类都聚合进来——arena.ai 竞技场 Elo、Artificial Analysis 智能指数与语音竞技场、OpenRouter token 占比——并每日刷新。
arena.ai（原 LMArena）让用户在不知道模型身份的情况下对同一问题的两份回答二选一，再用 Elo 算法推算等级分。它衡量的是「人更喜欢哪个」，不等同于客观能力——擅长讨人喜欢的风格会占优，而严谨但啰嗦的回答可能吃亏。
票数是该模型累计参与的对战场次。新模型刚上榜时票数少、置信区间宽，排名容易波动，看排名时应连同 ± 区间一起判断。
Agent 能力榜的口径与其他榜不同：它统计的是真实 Agent 会话，而非盲投偏好。主指标「净改进」是百分比形式的提升幅度，与 Elo 不在同一量纲，不能跨榜比较。arena.ai 还给出确认成功率、可引导性、Bash 恢复等五个维度，可在完整榜单查看。
用量热度榜来自 OpenRouter，统计的是真实 API 调用的 token 份额，代表开发者用脚投票的结果，与主观偏好榜互为补充。
语音榜来自 Artificial Analysis：TTS 采用人类盲听的 Speech Arena Elo；ASR 采用 AA-WER v2，数值越低越好；原生语音对语音榜则等权综合 Big Bench Audio、Full Duplex Bench 和 τ-Voice，数值越高越好。不同榜的分数不能横向比较。来源 artificialanalysis.ai。
智能指数榜来自 Artificial Analysis：把多项公开基准测试综合成一个 0-100 的 Intelligence Index，衡量的是客观能力而非主观偏好，正好与 arena.ai 的人类盲投互补。数据来源 artificialanalysis.ai。