AI大模型排行榜

最近半年，大模型圈的变化速度让我有点跟不上。

2026年2月，国产模型的Token调用量首次单月占比过半，超过美国模型。Hugging Face全球开源榜TOP10里，中国模型占了8席。Kimi K3杀进了LMSys综合榜前十，Qwen3.8-Max发布当天就登顶前端开发榜。

但别急着喊"国产赢了"。综合榜头部，依然是Anthropic的地盘。Claude系列一口气占了LMArena中文榜前七名里的六席。

没有一个模型在所有维度上领先。2026年大模型竞争的核心事实，就这一句。

这篇文章把全球主流大模型的最新排名、关键基准数据和背后的趋势一次性讲透。

01

竞技场：全球前十长什么样

LMSys Chatbot Arena是目前公认最靠谱的大模型排行榜。它的逻辑很简单，人类盲测，两个模型同时回答同一个问题，人选更好的那个，Elo分数累积排名。跟国际象棋的积分系统一个原理。

2026年8月的全球总榜长这样：

数据来源：LMSys Chatbot Arena 2026年8月第三方快照。Elo分数越高表示人类盲测偏好越强。各榜单口径和快照时间不同会存在小幅波动。

几个事实直接跳出来。

前三名里，Anthropic占了两个。Claude Opus 4.8以1580分稳坐第一，领先第三名GPT-5.5 Pro近30分。在Elo体系里，30分的差距意味着人类偏好上明显的可感知差距。

Kimi K3排第七。这是国产模型首次在LMSys全球总榜上稳定守住前十。1516分，和第六名Claude Sonnet 4只差2分。更狠的是，Kimi K3在前端代码竞技场拿了1679 Elo，编程能力全球第一档。

Google的Gemini 3.1 Pro排第四，但它在科学推理上独步天下，GPQA Diamond拿到94.3%，全场最高。每个玩家都有自己的护城河。

02

三巨头：各有各的牌

Anthropic——编程和Agent的双料王。

Claude Opus 4.8的综合排名第一，SWE-bench Pro达到69.2%。这个指标衡量的是AI自主修复真实GitHub issue的能力，接近七成的通过率，已经超过了不少初级工程师的水平。Anthropic的策略很清晰，押注Agentic AI，让Claude不只是聊天，而是能自主完成多步骤任务。

Claude Opus 4.8 关键数据LMSys综合Elo：1580（全球第一）SWE-bench Pro：69.2%MMLU：92.8%MATH：92.3%上下文窗口：100万token

OpenAI——拆分层级，通吃高中低。

2026年7月，OpenAI把GPT-5.6拆成了三个层，Sol是旗舰，Terra是平衡型，Luna是经济型。名字起得像咖啡杯大小，但策略是对的不可能一个模型打天下。GPT-5.6 Sol在MMLU-Pro拿91.2%，HumanEval 96.4%，SWE-bench Verified 88.1%，基准覆盖面全场最广。

更有意思的是GPT-5.4 Thinking。它在OSWorld基准上达到75%，首次超过人类基线72.4%。意思是，在操作系统级别的复杂任务执行上，AI比普通人更强了。

Google——科学推理和长上下文的王者。

Gemini 3.1 Pro的GPQA Diamond 94.3%是全场最高，这个基准测的是研究生级科学问答。200万token的上下文窗口也是最大的，能一口气吞下一整本书加几百篇论文。多模态方面，Gemini 2.5 Ultra原生支持60fps连续视频流理解，看视频这个能力目前没有对手。

03

中国军团的突围

2026年最值得说的不是谁排第一，而是中国模型怎么追上来的。

Kimi K3，月之暗面出品，2.8万亿参数，1M上下文，7月17日发布。它在LMSys全球总榜排第七，前端代码竞技场1679 Elo全球第一档。Terminal Bench 2.1拿到88.3%，MMMU-Pro 81.6%，OmniDocBench 91.1%。7月27日开放权重，2.8万亿参数的开源模型，这在一年前不可想象。

Qwen3.8-Max，阿里8月3日发布，2.4万亿参数，激活95B。发布当天登顶前端开发竞技场，SuperCLUE中文综合第一，Arena综合榜国产最高排第八。工具幻觉率只有0.11%，意思是用它调工具几乎不会瞎编。这个指标对Agent应用至关重要。

DeepSeek V4，4月24日发布，距V3整整484天。MMLU-Pro 82.4%，HumanEval+ 85.7%，Terminal Bench 2.1 87.9%，支持百万上下文。开源，价格3元/6元每百万token。DeepSeek的路线很清楚，开源生态打底，合理定价走量。

其他值得关注的中国选手：豆包Seed 2.1-Pro（字节）OpenCompass均分80.5，代码90.8；GLM-5.3-Flash（智谱）首次进入代码榜Top10排第七；MiMO-V2-Pro-Thinking（小米）SuperCLUE写作榜第四，总分78.9。

国产模型在代码、前端、中文写作、多模态等细分领域已经能和头部闭源模型正面打。但综合榜的绝对头部，还差一步。

差在哪？Agent能力和推理深度。Claude Opus系列在SWE-bench Pro上的表现，国产模型暂时还没追上。Kimi K3在终端任务上很强，但复杂多步推理的稳定性还有差距。这是下一个攻坚战。

04

没有全能选手

把几个关键基准摆在一起看，你会发现一个有意思的事实。

①表示该项基准的已知最高分。SWE-bench列中，Claude为Pro口径69.2%，GPT-5.6为Verified口径88.1%（不同口径不可直接比较）。"—"表示该数据未在公开来源中查到。数据来源：各模型官方技术报告及第三方评测。

看明白了吗？

MMLU-Pro最高的是Gemini 3.1 Pro。HumanEval最高的是GPT-5.6 Sol。SWE-bench Pro最高的是Claude Opus 4.8。GPQA最高的是Gemini。数学最高的是Claude和GPT并列。

每个维度排第一的模型都不一样。这意味着选模型这件事，从「谁最强」变成了「谁最适合你的场景」。

写代码找Claude或GPT，做科学研究找Gemini，要性价比找DeepSeek，要中文写作找豆包或Qwen。全能选手不存在了。

05

五条趋势线

趋势一：推理模型成为主战场。OpenAI的o系列开了头，现在所有头部玩家都在做thinking版本。GPT-5.4 Thinking在OSWorld首次超过人类基线，Claude Opus 4.6 Thinking的AAII达到61.4，DeepSeek V4的Toolathlon-Verified 74.1%。模型不再只回答问题，而是学会先想再答。这是质变。

趋势二：开源正在追上闭源。Kimi K3开源2.8万亿参数，DeepSeek V4开源百万上下文，Qwen 3.5在HuggingFace霸榜，Llama 4 Maverick MMLU-Pro 81%。HuggingFace全球开源TOP10中国占8席。一年前开源模型和闭源旗舰的差距还是代差，现在缩小到了同代竞争。

趋势三：价格战在收尾，涨价潮开始了。Kimi K3的API价格较前代涨了3倍，输入20元输出100元每百万token。MiniMax M3发布时价格翻倍。智谱GLM-5海外版涨价67%到100%。但同时，DeepSeek V4-Pro还是3元/6元，Qwen-Flash最低0.2元。市场在分化，有人靠涨价覆盖推理成本，有人靠低价走量。低价窗口正在关闭。

趋势四：多模态进入旗舰标配。Gemini 2.5 Ultra原生60fps视频流理解，Claude Fable 5的视觉能力排Arena第一，GPT-5.6 Sol多模态工具使用，Kimi K3原生视觉理解OmniDocBench 91.1%。只处理文本的模型已经不好意思叫旗舰了。SuperCLUE多模态视觉榜上，Gemini 2.5-Pro以74.99分排第一，GPT-5紧随其后。

趋势五：中国模型从追赶到局部超越。2月Token调用量首次过半，Kimi K3进全球前十，Qwen3.8-Max登顶前端开发榜，DeepSeek V4开源标杆，豆包Seed 2.1-Pro OpenCompass均分80.5。在代码、前端、中文写作这些细分领域，国产模型已经能和Claude、GPT正面竞争。但在Agent能力和深度推理上，差距依然存在。

06

怎么选：一张地图

排行榜看完了，实际怎么选？我按场景给个参考。

写代码/做AgentClaude Opus 4.8第一选择，SWE-bench Pro 69.2%全场最强，Agent工作流稳定性最好。GPT-5.6 Sol紧随其后，HumanEval 96.4%。预算有限选DeepSeek V4，HumanEval+ 85.7%，开源可自部署。

科学研究/长文档处理Gemini 3.1 Pro，GPQA Diamond 94.3%无敌，200万token上下文能吞一整本书。如果涉及中文文献，Qwen3.8-Max和Kimi K3的中文理解更顺。

前端开发Kimi K3，前端代码竞技场1679 Elo。开源，可自部署。Qwen3.8-Max发布当天登顶前端开发榜，也是第一档选择。

中文写作/内容创作SuperCLUE写作榜上，小米MiMO-V2-Pro-Thinking排第四总分78.9，DeepSeek V4-Flash排第五76.61。豆包Seed 2.1-Pro在OpenCompass均分80.5。日常中文场景，国产模型反而比海外更懂中国用户。

性价比优先/自部署DeepSeek V4-Pro开源3元/6元。Qwen-Flash最低0.2元。Llama 4 Maverick开源MMLU-Pro 81%。GLM-5.3-Flash输入0.8元。这几家是目前开源+低价组合的最优解。

2026年大模型竞争的格局已经清晰了。闭源旗舰在综合能力上还领先，但优势在收窄。开源模型在代码和中文场景上已经追到了同代水平。中国厂商在细分领域实现局部超越，但Agent和深度推理是下一道坎。

对普通人来说，这是好事。选择多了，价格低了，能力天花板还在抬高。坏消息只有一个，没有一个模型能一劳永逸地解决所有问题。你得学会在不同的模型之间切换，根据场景选工具。

这其实不是退步。是成熟。

本文数据来源于LMSys Chatbot Arena、SuperCLUE、OpenCompass等公开评测平台及各模型官方技术报告，截至2026年9月初。不同榜单的评测口径、时间和方法存在差异，排名仅供参考。本文不构成任何投资建议。AI技术发展迅速，模型能力可能随版本更新发生显著变化。