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 |  gpt-image-2.5-sunburst | OpenAI | 1425 ±7 | 17,103 | — | — | — |
| 2 | gpt-image-2.5-flare | OpenAI | 1398 ±7 | 16,240 | — | — | — |
| 3 | gpt-image-2 (medium) | OpenAI | 1383 ±4 | 92,836 | — | — | — |
| 4 | Microsoft AI | 1333 ±5 | 24,410 | — | — | — | |
| 5 |  gemini-nano-banana-2.1 | 1328 ±9 | 5,312 | 1.50 | 7.50 | — | |
| 6 |  grok-imagine-image-2.0 (canvas) | SpaceXAI | 1321 ±11 | 3,447 | — | — | — |
| 7 |  reve-2.1 | Reve | 1302 ±8 | 8,249 | — | — | — |
| 8 | grok-imagine-image-2.0 (20260801) | SpaceXAI | 1297 ±6 | 13,724 | — | — | — |
| 9 |  muse-image | Meta | 1274 ±5 | 41,538 | — | — | — |
| 10 | reve-2.0 | Reve | 1269 ±6 | 15,773 | — | — | — |
| 11 | gemini-3.1-flash-image (nano-banana-2) [web-search] | 1261 ±4 | 59,779 | 0.500 | 3.00 | — | |
| 12 |  seedream-5.0-pro | Bytedance | 1256 ±4 | 93,528 | — | — | — |
| 13 |  qwen-image-3.0-pro | Alibaba | 1255 ±6 | 11,439 | — | — | — |
| 14 | Microsoft AI | 1254 ±4 | 61,267 | — | — | — | |
| 15 | gemini-3.1-flash-lite-image (nano-banana-2-lite) | 1250 ±6 | 17,806 | 0.250 | 1.50 | — | |
| 16 | gemini-3-pro-image-2k (nano-banana-pro) | 1248 ±3 | 174,996 | — | — | — | |
| 17 | gpt-image-1.5-high-fidelity | OpenAI | 1238 ±3 | 169,476 | — | — | — |
| 18 | gemini-3-pro-image-preview (nano-banana-pro) | 1234 ±5 | 86,464 | 2.00 | 12.0 | 0.200 | |
| 19 | qwen-image-2.1 | Alibaba | 1223 ±7 | 10,688 | — | — | — |
| 20 |  ideogram-4.0-quality | Ideogram | 1205 ±4 | 59,812 | — | — | — |
数据来源: arena.ai · 更新于 Oct 6, 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。