PS
不定期更新一下大模型排行榜，主要是现在可用的模型太多了，不知不觉间就出现了很多模型，又宣称很牛逼。
2026-11-9
| 参考排名 |
模型及最佳已测档位 |
AA 指数 |
主要判断 |
| 1 |
Claude Opus 5.5 · max |
59 |
综合最均衡，复杂代码修改、知识工作与实际工具任务都有强证据。 |
| 2 |
GPT-6 Astra · max |
57 |
科研执行、困难推理和工程任务突出，新评测更充分体现这些能力。 |
| 并列 3 |
GPT-6.1 Sol · max |
55 |
高能力组中的成本优势明显，适合作为日常复杂工作的优先候选。 |
| 并列 3 |
Claude Sonnet 5.5 · max |
55 |
办公、知识工作和终端任务强，但最高档耗时和成本较高。 |
| 5 |
GPT-6.1 Terra · max |
51 |
中高能力与成本折中，综合上限低于 Sol、Astra。 |
| 并列 6 |
Gemini 4 Argon · high |
50 |
自动化工作流和文本交流仍有优势。 |
| 并列 6 |
Muse Wonder Full · max |
50 |
专业文档任务突出，通过 Muse Code 付费订阅使用。 |
| 并列 6 |
Claude Fable 5.1 · xhigh |
50 |
实际工具任务仍强；该榜 xhigh 略高于 max 的 49 分。 |
| 9 |
Kimi K3.1 Pro |
46 |
国产与开放权重领先模型，终端执行强，综合科研能力仍有差距。 |
| 10 |
Muse Wonder · max |
44 |
普通版与 Full 必须分开，不能混用两者成绩。 |
安全领域的排名：
| 排名 |
模型 |
Pass@1 |
测试框架 |
| 1 |
Claude Opus 5.5 |
67.1% |
Claude Code |
| 2 |
Muse Wonder |
66.1% |
OpenCode |
| 3 |
Gemini 4 Argon |
65.0% |
Antigravity |
| 4 |
GPT-6 Astra |
64.2% |
Codex |
| 5 |
DeepSeek V4.1 Flash 1017 |
57.6% |
OpenCode |
| 6 |
Grok 4.7 |
54.7% |
OpenCode |
deepseek 还是太权威了说实话。
2026-10-28
没想到kimi和muse（meta模型）分数能打到这么高。
| 参考排名 |
模型及评测档位 |
AA 指数 |
主要理由 |
| 1 |
Claude Opus 5.5 · max |
58 |
综合能力全面，复杂知识工作、编程和交付质量强；最新跨榜证据也支持其领先。 |
| 并列 2 |
Claude Sonnet 5.5 · max |
56 |
终端编程和工作任务突出，能力接近 Opus，但最高档资源消耗较大。 |
| 并列 2 |
Muse Wonder Full · max |
56 |
知识工作、科学推理和专业文档能力强；目前通过 Muse Code 付费订阅提供。 |
| 4 |
Kimi K3.1 Pro |
55 |
本轮最显著的国产突破，智能体执行和终端任务大幅进步。 |
| 并列 5 |
GPT-6 Astra · max |
53 |
复杂工程、工具执行和文档推理仍有很强竞争力。 |
| 并列 5 |
Claude Fable 5.1 · max |
53 |
长任务和知识工作仍强，跨榜表现稳居前列。 |
| 并列 5 |
Gemini 4 Argon · high |
53 |
自动化、文本交互和多模态任务值得关注，现已符合公开模型范围。 |
| 并列 8 |
GPT-6.1 Sol · max |
52 |
接近旗舰能力，仍是能力与调用成本结合很好的选择。 |
| 并列 8 |
Muse Wonder · max |
52 |
普通版也有明显提升，但与 Full 是不同型号，成绩不能混用。 |
| 10 |
GPT-6.1 Terra · max |
48 |
新增的效率型选择，适合预算较敏感的日常任务。 |
2026-10-7
| 参考排名 |
模型及评测档位 |
AA 指数 |
主要判断 |
| 1 |
Claude Opus 5.5 · max |
58 |
综合上限最有说服力，复杂知识工作、分析与交付能力全面。 |
| 2 |
Claude Sonnet 5.5 · max |
56 |
编程和工具任务突出，但最高档的 token 消耗和任务成本较高。 |
| 并列 3 |
Claude Fable 5.1 · max |
53 |
真实工具任务表现仍强，不能因综合指数第三就认为它全面落后。 |
| 并列 3 |
GPT-6 Astra · max |
53 |
复杂工程、工具执行和文档推理强，网页开发榜继续靠前。 |
| 5 |
GPT-6.1 Sol · max |
52 |
接近旗舰能力，成本优势明显，是日常复杂工作的强候选。 |
| 6 |
Muse Spark 1.3 · max |
48 |
综合第二梯队，文本交流偏好表现较好。 |
| 并列 7 |
MiMo-V2.6-Pro；Grok 4.7 · xhigh |
46 |
MiMo 的开放权重和成本优势值得关注；Grok 综合成绩较强。 |
| 并列 9 |
Qwen3.8 Max · 0902；GLM-5.3 · max |
45 |
国产强模型组，具体任务上的胜负比总分差更重要。 |
| 并列 11 |
Kimi K3 · max；Step 5 Preview |
44 |
综合能力有竞争力，但与最新海外旗舰仍有差距。 |
2026-10-2
| 参考排名 |
模型及评测档位 |
AA 指数 |
排名理由 |
| 1 |
Claude Opus 5.5 · max |
58 |
综合表现最全面，复杂知识工作、分析与交付质量突出；网页开发榜也领先。评测 |
| 2 |
Claude Sonnet 5.5 · max |
56 |
终端编程和工作任务进步很大，多项接近 Opus；但最高档需要大量 tokens，成本未必低。评测 |
| 并列 3 |
Claude Fable 5.1 · max |
53 |
综合能力仍在顶层，Arena 真实工具任务榜继续领先。Agent 榜 |
| 并列 3 |
GPT-6 Astra · max |
53 |
复杂工程、工具执行和专业文档推理强；同分情况下，AA 测试任务成本低于 Fable。评测 |
| 5 |
GPT-6.1 Sol · max |
52 |
接近 Astra，编程、知识工作和文档推理均有提升，成本优势明显。评测 |
| 6 |
Muse Spark 1.3 · max |
48 |
综合能力较强，文本偏好表现不错，支持图片与视频输入。数据 |
| 并列 7 |
MiMo-V2.6-Pro |
46 |
国产和开放权重领先组，综合能力与调用成本的组合突出。数据 |
| 并列 7 |
Grok 4.7 · xhigh |
46 |
综合任务成绩较强，但跨场景表现不如最前列模型均衡。数据 |
| 并列 9 |
Qwen3.8 Max · 0902 |
45 |
国产强模型，编程和工具应用有竞争力。数据 |
| 并列 9 |
GLM-5.3 · max |
45 |
开放权重中的强选手，适合重视自主部署的场景。数据 |
| 并列 11 |
Kimi K3 · max |
44 |
知识工作与交流表现有竞争力，但综合指数落后于最新海外旗舰。数据 |
| 并列 11 |
Step 5 Preview |
44 |
综合成绩接近 Kimi，测试任务成本更低，目前仍是预览版。数据 |
2026-9-29
排名主要参考 Artificial Analysis（AA）v4.3.2：智能体任务占 30%、编程占 20%、科学推理占 20%、通用能力占 30%，再用 Arena 交叉验证。它主要测英文文本，因此以下更接近“综合解决问题能力排名”，对中文文风、语音和视频能力覆盖有限。
| 参考排名 |
模型及评测档位 |
AA 分数 |
排名理由与特点 |
| 1 |
Claude Opus 5.5 · max |
58 |
综合指数领先；Arena 网页开发也排第一，多个评测方向相互支持，综合第一的证据最充分。数据 |
| 并列 2 |
Claude Fable 5.1 · max |
53 |
综合能力处于顶层，Arena Agent 榜第一，尤其值得用于需要连续调用工具、推进任务的工作。数据 |
| 并列 2 |
GPT-6 Astra · max |
53 |
与 Fable 综合同分；Arena 网页开发第二、Agent 第三，工程执行能力有较强交叉证据。数据 |
| 并列 4 |
GPT-6 Sol · max |
48 |
综合成绩靠前，Arena 网页开发第五；AA 测试任务成本明显低于 Astra，适合兼顾能力与成本。数据 |
| 并列 4 |
Muse Spark 1.3 · max |
48 |
综合能力接近 Sol，文本偏好表现更好；支持图片、视频输入，输出速度也是优势。数据 |
| 并列 6 |
MiMo-V2.6-Pro |
46 |
开放权重模型中的领先者；综合分接近 Grok，AA 实测调用成本很低，国产模型中很有竞争力。数据 |
| 并列 6 |
Grok 4.7 · xhigh |
46 |
综合任务成绩较强，但聊天偏好榜表现明显较弱，说明其优势具有较强的任务依赖性。数据 |
| 并列 8 |
Qwen3.8 Max · 0902 |
45 |
综合成绩进入国产前列，0902 版本在 Arena 网页开发榜排第八，工程应用表现较强。数据 |
| 并列 8 |
GLM-5.3 · max |
45 |
开放权重中的强选手；综合成绩接近 MiMo，但该被测型号为文本输入，不能据此推断其视觉能力。数据 |
| 并列 10 |
Kimi K3 · max |
44 |
综合成绩接近 Qwen、GLM；Arena 文本和网页开发也有较好表现，属于有竞争力的开放权重模型。数据 |
| 并列 10 |
Step 5 Preview |
44 |
综合成绩进入国产前列，测试任务成本较低；目前应按预览版本评价。数据 |
Muse Spark 1.3 ·max是meta的新旗舰模型，与9月2日发布。龟龟，就觉得为什么meta的股价突然涨了10个点
MiMo-V2.6-Pro是小米的最新模型。
而Kimi K3·max是月之暗面的最新模型。
Step 5 Preview是阶跃星辰（StepFun）公司的旗舰基座大模型，听都没听说过的（
2026-8-30
| 参考排名 |
模型 |
8 月 AA 指数 |
理由 |
| 1 |
Claude Opus 5 · max |
63 |
综合成绩略领先；专业知识工作、文件交付和智能体编程是强项。当时 AA 的 GDPval-AA 与 AA-Briefcase 均由它领跑。 |
| 2 |
Claude Fable 5 · max，带 fallback |
62 |
与 Opus 5 非常接近，事实知识表现更强；但 Opus 5 在部分任务执行评测及成本上更有优势。 |
| 并列 3 |
GPT-5.6 Sol · max |
61 |
综合第一梯队，终端编程和科学推理突出；部分科学推理评测强于当时的 Claude。 |
| 并列 3 |
Grok 4.6 |
61 |
综合分追平 Sol；知识工作、工具调用和终端任务表现均较强，调用成本也是竞争优势。 |
| 并列 5 |
Kimi K3 · max |
60 |
国产领先模型之一，复杂知识工作和多步骤任务能力强；与 GLM 同分，事实知识评测更有优势。 |
| 并列 5 |
GLM-5.3 · max |
60 |
智能体能力提升明显；8 月发布评测中的 GDPval-AA 排第二，仅次于 Opus 5，并超过 Kimi K3。 |
2026-7-30
| 参考排名 |
模型及档位 |
当时 AA 分数 |
排名理由 |
| 1 |
Claude Opus 5 · max |
61 |
7 月 24 日发布后综合略领先；知识工作、复杂文件交付和智能体编程突出，GDPval-AA、AA-Briefcase 均取得当时最高成绩。 |
| 2 |
Claude Fable 5 · max，带 fallback |
60 |
与 Opus 5 接近；事实知识表现更强，但部分任务执行成绩和成本效率被 Opus 5 超过。 |
| 3 |
GPT-5.6 Sol · max |
59 |
综合能力紧随 Claude，编程与科学推理强；在 Codex 环境下的编程智能体评测中表现领先。 |
| 4 |
Kimi K3 · max |
57 |
国产领先模型，复杂知识工作、多文件分析表现突出；分析质量很强，部分交付物的呈现质量仍有差距。 |
| 5 |
Claude Opus 4.8 · max |
56 |
仍是强旗舰，但综合能力已被 Opus 5、Sol 和 Kimi K3 超过。 |
2026-6-30
| 参考排名 |
模型及评测档位 |
同期 AA 分数 |
主要理由 |
| 1 |
Claude Opus 4.8 · max |
61.4 |
综合领先，专业知识工作表现突出；同时提升终端操作和科学推理能力。 |
| 2 |
GPT-5.5 · xhigh |
约 60.2 |
编程、工具执行、长上下文推理很强；科学推理部分项目仍领先 Opus 4.8。 |
| 3 |
Claude Opus 4.7 · max |
57.3 |
知识工作和智能体任务较强，但已被 Opus 4.8 明显超过。 |
| 4 |
Gemini 3.1 Pro Preview |
57.2 |
知识、科学问答、科学编程和指令遵循表现突出。 |
| 5 |
GPT-5.4 · xhigh |
56.8 |
终端编程、研究级物理推理和长上下文推理是强项。 |
| 6 |
Qwen3.7 Max |
56.6 |
国产综合能力领先者，科学推理、编程和智能体能力进步明显，已接近上一代海外旗舰。 |