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 | 净改进 ? | 会话数 ? | 输入 ? | 输出 | 缓存 ? |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Fable 5.1 (Max) | Anthropic | 14.31% ±1.9 | 15,130 | 10.0 | 50.0 | 0.250 |
| 2 | Claude Opus 5.5 (High) | Anthropic | 13.82% ±2.17 | 5,359 | 4.00 | 20.0 | 0.200 |
| 3 | Claude Sonnet 5.5 (Max) | Anthropic | 12.52% ±3.09 | 5,219 | 2.00 | 10.0 | 0.100 |
| 4 |  GPT 6 Astra (Max) | OpenAI | 12.27% ±2.23 | 11,717 | 10.0 | 50.0 | 1.00 |
| 5 | GPT 6.1 Sol (Max) | OpenAI | 11.23% ±2.76 | 6,278 | 2.00 | 10.0 | 0.100 |
| 6 | GPT 6 Sol (Max) | OpenAI | 9.71% ±2.37 | 6,106 | 2.00 | 10.0 | 0.200 |
| 7 | Claude Opus 5 (High) | Anthropic | 8.67% ±1.41 | 27,560 | 5.00 | 25.0 | 0.500 |
| 8 | Claude Fable 5 (High) | Anthropic | 8.21% ±1.22 | 41,832 | 10.0 | 50.0 | 1.00 |
| 9 | Claude Opus 5 (Max) | Anthropic | 7.92% ±1.47 | 22,781 | 5.00 | 25.0 | 0.500 |
| 10 |  Gemini 4 Argon (High) | 7.57% ±1.93 | 10,030 | — | — | — |
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。