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 |  claude-opus-5.5-max | Anthropic | 1814 ±16 | 2,229 | 4.00 | 20.0 | 0.200 |
| 2 |  gpt-6-astra-max | OpenAI | 1788 ±11 | 5,057 | 10.0 | 50.0 | 1.00 |
| 3 | claude-sonnet-5.5-xhigh | Anthropic | 1773 ±15 | 2,150 | 2.00 | 10.0 | 0.100 |
| 4 | gpt-6.1-sol-max | OpenAI | 1757 ±15 | 1,965 | 2.00 | 10.0 | 0.100 |
| 5 | claude-fable-5.1-max | Anthropic | 1745 ±9 | 6,521 | 10.0 | 50.0 | 0.250 |
| 6 | claude-sonnet-5.5-high | Anthropic | 1716 ±11 | 3,787 | 2.00 | 10.0 | 0.100 |
| 7 | claude-opus-5-max | Anthropic | 1692 ±6 | 17,162 | 5.00 | 25.0 | 0.500 |
| 8 | gpt-6-sol-max | OpenAI | 1687 ±12 | 3,221 | 2.00 | 10.0 | 0.200 |
| 9 |  gemini-4-argon-high | 1678 ±15 | 1,772 | — | — | — | |
| 10 |  qwen3.8-max | Alibaba | 1672 ±12 | 3,450 | 2.00 | 6.00 | 0.250 |
| 11 | qwen3.8-max-0902 | Alibaba | 1672 ±8 | 10,549 | 2.00 | 6.00 | 0.250 |
| 12 | claude-opus-5-high | Anthropic | 1658 ±6 | 21,992 | 5.00 | 25.0 | 0.500 |
| 13 |  muse-spark-1.3-max | Meta | 1656 ±8 | 7,678 | 1.25 | 4.25 | 0.150 |
| 14 |  kimi-k3-max | Moonshot | 1655 ±6 | 17,061 | 0.730 | 13.5 | 0.550 |
| 15 |  grok-4.7-xhigh | SpaceXAI | 1638 ±11 | 3,734 | 2.00 | 6.00 | 0.500 |
| 16 |  mimo-v2.6-flash | Xiaomi | 1636 ±11 | 3,851 | 0.140 | 0.280 | 0.0028 |
| 17 | qwen3.8-flash-next | Alibaba | 1632 ±9 | 6,711 | — | — | — |
| 18 |  hy4-preview | Tencent | 1632 ±10 | 4,798 | 0.834 | 2.50 | 0.042 |
| 19 | mimo-v2.6-pro | Xiaomi | 1630 ±11 | 3,415 | 0.435 | 0.870 | 0.0036 |
| 20 | muse-spark-1.3 (xHigh) | Meta | 1626 ±8 | 6,901 | 1.25 | 4.25 | 0.150 |
数据来源: arena.ai · 更新于 Oct 7, 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。