战绩榜 MODEL ARENA
评测讲「考什么」,战绩榜讲「谁考了多少分」——当前旗舰模型的实测成绩
评测卡目录 · 基准档案
战绩榜 · 36 个模型
数据源:Artificial Analysis(统一协议复测)
抓取于 2026-10-19
36 个旗舰模型
18 个 benchmark 维度
8 个已挂评测卡
18 家厂商 · 16 个开源权重
当前综合指数领跑
Claude Opus 5.5
Anthropic · 闭源 · Max 档
57.6
AA 综合智能指数
综合指数排行
同一打分体系下的可比分数;所有 benchmark 均由 Artificial Analysis 统一复测,不是厂商自报。
1 57.6
Claude Opus 5.5
Anthropic · Max
2 56.0
Claude Sonnet 5.5
Anthropic · Max
3 55.8
Muse Wonder Full
Meta · Max
4 53.4
Claude Fable 5.1
Anthropic · Max
5 52.7
GPT-6 Astra
OpenAI · Max
6 52.6
Gemini 4 Argon
Google · High
7 52.4
Muse Wonder
Meta · Max
8 51.8
GPT-6.1 Sol
OpenAI · Max
9 48.1
Muse Spark 1.3
Meta · Max
10 46.5
Grok 4.7
xAI · Xhigh
11 46.3
MiMo-V2.6-Pro
小米 开源
12 45.4
Qwen3.8 Max
阿里通义 · 0902
13 44.8
GLM-5.3
智谱 · Max 开源
14 43.7
Step 5 Preview
阶跃星辰 开源
15 43.6
Kimi K3
月之暗面 · Max 开源
16 43.4
Claude Haiku 5.5
Anthropic · Max
17 42.1
GPT-5.6 Terra
OpenAI · Max
18 41.8
GLM-5.3-Flash
智谱 开源
19 41.1
Ling 3.1 Flash
InclusionAI 开源
20 40.9
Gemini 3.8 Flash
Google · High
21 40.0
Qwen3.8 2.4T A95B
阿里通义 开源
22 39.8
Qwen3.8-Flash-Next
阿里通义 开源
23 39.5
DeepSeek V4.1 Flash
DeepSeek · Max 开源
24 38.9
Muse Spark Open
Meta · Xhigh 开源
25 38.4
Mistral Large 4 Preview
Mistral
26 38.1
GPT-6 Luna
OpenAI · Max
27 37.9
MiMo-V2.6-Flash
小米 开源
28 36.0
DeepSeek V4 Pro 0813
DeepSeek · Max 开源
29 35.2
Agnes 2.5 Pro Beta
Sapiens AI
30 34.8
DeepSeek V4 Flash Vision
DeepSeek · Max
31 33.9
JT-4.1 Flash 236B A21B
China Mobile · Reasoning
32 33.7
Qwen3.8 27B
阿里通义 · Xhigh 开源
33 33.6
Motif 3
Motif Technologies 开源
34 32.5
GPT-5.3 Codex
OpenAI · Xhigh
35 30.5
K2 Horizon 375B A23B
Institute of Foundation Models 开源
36 30.3
Beam 1.0
Reflection 开源
没有匹配的模型
Benchmark 维度矩阵
点列头可按该维度排序;列名可点进对应的评测卡。空格代表该维度尚未对该模型复测。
各维度当前 SOTA
入选的 36 个模型里,该维度的最高实测分。「覆盖」= 有实测分的模型数。
AA Intelligence Index
综合智能指数 · AA 统一打分体系
57.6 Claude Opus 5.5
Anthropic
Artificial Analysis 用统一协议把多个 benchmark 合成的综合指数,0–100 分,可横向对比
AA Omniscience
全知指数 · 准确率 − 幻觉率
+46.4 Claude Opus 5.5
Anthropic
同时看「答对多少」和「编造多少」,负值代表幻觉多于答对
Humanity's Last Exam
终极考试 · pass@1
61.4% Claude Opus 5.5
Anthropic
全球专家贡献的高难度综合题,纯文本无工具,当前最难的通用知识榜之一
MMMU-Pro
多模态理解 Pro · accuracy
87.7% Claude Opus 5.5
Anthropic
MMMU 的抗污染加固版,30 学科大学级图文题,纯文本提示无法作答
IFBench
指令跟随 · accuracy
75.4% GPT-5.3 Codex
OpenAI
可验证指令约束的跟随能力,测「按要求做」而不是「答得对」
τ²-bench (Banking)
金融工具智能体 · accuracy
50.5% Muse Spark 1.3
Meta
τ²-bench 的金融域子集,政策约束更密、容错更低
Terminal-Bench (Hard)
终端智能体·困难集 · accuracy
57.6% GPT-5.6 Terra
OpenAI
在真实终端环境里完成系统级任务的困难子集
Terminal-Bench 2.0
终端智能体 2.0 · accuracy
91.4% Claude Fable 5.1
Anthropic
Terminal-Bench 的 2.0 版本,任务规模与环境复杂度升级
Terminal-Bench 4.0
终端智能体 4.0 · accuracy
63.6% Claude Sonnet 5.5
Anthropic
当前最新版本,难度显著高于 2.0,多数模型得分接近 0
Apex-Agents
企业流程智能体 · accuracy
42.4% Qwen3.8 Max
阿里通义
面向企业真实业务流程的长程智能体任务,2026 年新榜
ITBench (SRE)
运维智能体 · accuracy
55.6% Step 5 Preview
阶跃星辰
SRE 场景的故障定位与修复,需要读日志、改配置、验证恢复
Analyst Agent
分析智能体 · accuracy
57.5% Claude Sonnet 5.5
Anthropic
数据分析师类任务:取数、建模、出结论
GDPval
经济价值任务 · normalized score
68.3% Claude Opus 5.5
Anthropic
按真实职业任务衡量「能替代多少经济价值」,归一化后计分
Long Context Reasoning
长上下文推理 · accuracy
88.7% Kimi K3
月之暗面
超长上下文下的跨段检索与推理,测「读得完还能想明白」
CritPt
科研批判性推理 · accuracy
32.9% Muse Wonder Full
Meta
前沿科研难题,当前所有模型得分都极低,是天花板最硬的榜
口径说明
- 同一模型的多个 reasoning 档位只保留综合指数最高的一档,分数即为该档位实测值。
- 所有分数由 Artificial Analysis 用同一协议复测,不是厂商自报;因此同一 benchmark 的数值可能与厂商 technical report 里的数字不同(例如 Terminal-Bench 4.0),横向对比请以本页口径为准。
- 标「待建卡」的维度说明本站评测卡目录尚未收录,会在后续补卡后自动挂上链接。