AI 模型榜单

多来源 AI 模型排行——覆盖对话、语音/TTS/ASR、代码、图片、视频与智能体，来源 arena.ai、OpenRouter 和 Artificial Analysis。

排名	模型	厂商	Elo ?	票数 ?	输入 ?	输出	缓存 ?
1	claude-opus-5-max	Anthropic	1691 ±9	8,116	5.00	25.0	0.500
2	kimi-k3-max	Moonshot	1674 ±11	4,546	3.00	15.0	0.300
3	qwen3.8-max	Alibaba	1669 ±13	3,212	2.00	6.00	0.250
4	claude-opus-5-high	Anthropic	1663 ±8	8,659	5.00	25.0	0.500
5	grok-4.6-high	SpaceXAI	1629 ±17	1,523	2.00	6.00	0.500
6	claude-fable-5	Anthropic	1626 ±8	8,382	10.0	50.0	1.00
7	gpt-5.6-sol-xhigh (codex-harness)	OpenAI	1619 ±8	9,499	2.00	10.0	0.200
8	glm-5.3-max	Z.ai	1599 ±15	1,916	1.40	4.40	0.260
9	qwen3.8-27b	Alibaba	1595 ±13	2,464	0.425	2.55	0.085
10	gemini-3.7-flash-high	Google	1587 ±13	2,552	0.750	3.75	0.075
11	glm-5.2-max	Z.ai	1582 ±8	8,775	1.19	3.74	0.221
12	deepseek-v4-pro-high-20260813	DeepSeek	1582 ±12	2,869	0.660	1.98	0.022
13	deepseek-v4-flash-high	DeepSeek	1579 ±11	3,537	0.030	0.100	0.0070
14	claude-opus-4-8-high	Anthropic	1563 ±7	11,699	5.00	25.0	0.500
15	claude-opus-4-7	Anthropic	1558 ±6	14,527	5.00	25.0	0.500

数据来源: arena.ai · 更新于 Aug 21, 2026 · PandaNpc 更新于 2026年8月29日 UTC 06:00查看完整榜单 →

指标怎么读

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。