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
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
Claude Opus 5.5
Anthropic · Max
57.6
2
Claude Sonnet 5.5
Anthropic · Max
56.0
3
Muse Wonder Full
Meta · Max
55.8
4
Claude Fable 5.1
Anthropic · Max
53.4
5
GPT-6 Astra
OpenAI · Max
52.7
6
Gemini 4 Argon
Google · High
52.6
7
Muse Wonder
Meta · Max
52.4
8
GPT-6.1 Sol
OpenAI · Max
51.8
9
Muse Spark 1.3
Meta · Max
48.1
10
Grok 4.7
xAI · Xhigh
46.5
11
MiMo-V2.6-Pro
小米 开源
46.3
12
Qwen3.8 Max
阿里通义 · 0902
45.4
13
GLM-5.3
智谱 · Max 开源
44.8
14
Step 5 Preview
阶跃星辰 开源
43.7
15
Kimi K3
月之暗面 · Max 开源
43.6
16
Claude Haiku 5.5
Anthropic · Max
43.4
17
GPT-5.6 Terra
OpenAI · Max
42.1
18
GLM-5.3-Flash
智谱 开源
41.8
19
Ling 3.1 Flash
InclusionAI 开源
41.1
20
Gemini 3.8 Flash
Google · High
40.9
21
Qwen3.8 2.4T A95B
阿里通义 开源
40.0
22
Qwen3.8-Flash-Next
阿里通义 开源
39.8
23
DeepSeek V4.1 Flash
DeepSeek · Max 开源
39.5
24
Muse Spark Open
Meta · Xhigh 开源
38.9
25
Mistral Large 4 Preview
Mistral
38.4
26
GPT-6 Luna
OpenAI · Max
38.1
27
MiMo-V2.6-Flash
小米 开源
37.9
28
DeepSeek V4 Pro 0813
DeepSeek · Max 开源
36.0
29
Agnes 2.5 Pro Beta
Sapiens AI
35.2
30
DeepSeek V4 Flash Vision
DeepSeek · Max
34.8
31
JT-4.1 Flash 236B A21B
China Mobile · Reasoning
33.9
32
Qwen3.8 27B
阿里通义 · Xhigh 开源
33.7
33
Motif 3
Motif Technologies 开源
33.6
34
GPT-5.3 Codex
OpenAI · Xhigh
32.5
35
K2 Horizon 375B A23B
Institute of Foundation Models 开源
30.5
36
Beam 1.0
Reflection 开源
30.3

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
待建卡
57.6 Claude Opus 5.5
Anthropic
覆盖 36/36

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
待建卡
+46.4 Claude Opus 5.5
Anthropic
覆盖 36/36

同时看「答对多少」和「编造多少」,负值代表幻觉多于答对

GPQA Diamond
研究生级科学问答 · pass@1
评测卡
96.1% GPT-6 Astra
OpenAI
覆盖 19/36

博士级物理/化学/生物选择题,人类专家正确率约 65%

Humanity's Last Exam
终极考试 · pass@1
评测卡
61.4% Claude Opus 5.5
Anthropic
覆盖 36/36

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
评测卡
87.7% Claude Opus 5.5
Anthropic
覆盖 18/36

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

SciCode
科研编程 · pass@1
评测卡
66.9% Claude Opus 5.5
Anthropic
覆盖 35/36

真实科研场景的代码实现题,覆盖物理/化学/生物/数学

IFBench
指令跟随 · accuracy
待建卡
75.4% GPT-5.3 Codex
OpenAI
覆盖 2/36

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
工具调用智能体 · accuracy
评测卡
86.3% GPT-5.6 Terra
OpenAI
覆盖 2/36

双控制(用户 + 工具)的多轮对话智能体评测,主域为零售/航空

τ²-bench (Banking)
金融工具智能体 · accuracy
评测卡
50.5% Muse Spark 1.3
Meta
覆盖 17/36

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
待建卡
57.6% GPT-5.6 Terra
OpenAI
覆盖 2/36

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
评测卡
91.4% Claude Fable 5.1
Anthropic
覆盖 18/36

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
评测卡
63.6% Claude Sonnet 5.5
Anthropic
覆盖 33/36

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
待建卡
42.4% Qwen3.8 Max
阿里通义
覆盖 4/36

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
待建卡
55.6% Step 5 Preview
阶跃星辰
覆盖 13/36

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
待建卡
57.5% Claude Sonnet 5.5
Anthropic
覆盖 18/36

数据分析师类任务:取数、建模、出结论

GDPval
经济价值任务 · normalized score
待建卡
68.3% Claude Opus 5.5
Anthropic
覆盖 35/36

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
待建卡
88.7% Kimi K3
月之暗面
覆盖 36/36

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
待建卡
32.9% Muse Wonder Full
Meta
覆盖 36/36

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。