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 2026-11-09

36 个旗舰模型 18 个 benchmark 维度 8 个已挂评测卡 20 家厂商 · 19 个开源权重

当前综合指数领跑

Gemini 4 Carbon

Google · 闭源 · High 档

60.0

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。

Gemini 4 Carbon

Google · High

60.0

Claude Opus 5.5

Anthropic · Max

59.1

GPT-6 Astra

OpenAI · Max

56.9

GPT-6.1 Sol

OpenAI · Max

54.6

Claude Sonnet 5.5

Anthropic · Max

54.5

GPT-6.1 Terra

OpenAI · Max

51.3

Gemini 4 Argon

Google · High

50.4

Muse Wonder Full

Meta · Max

50.1

Claude Fable 5.1

Anthropic · Xhigh

50.0

Kimi K3.1 Pro

月之暗面开源

46.5

Muse Wonder

Meta · Max

43.6

Claude Haiku 5.5

Anthropic · Max

36.5

Grok 4.7

xAI · Xhigh

35.5

Tencent Hy4

腾讯

34.6

Qwen3.8 Max

阿里通义 · 0902

33.6

DeepSeek V4.1 Flash 1017

DeepSeek · Max 开源

32.6

GLM-5.3

智谱 · Max 开源

31.6

Gemini 3.8 Flash

Google · High

30.9

Inkling 2 Small

Thinking Machines

30.6

MiMo-V2.6-Pro

小米开源

29.9

Ling 3.1 Flash 1019

InclusionAI 开源

29.6

MiniMax-M3.1-Flash

MiniMax 开源

29.1

Step 5 Preview

阶跃星辰开源

28.5

GPT-6 Luna

OpenAI · Max

27.9

GLM-5.3-Flash

智谱开源

27.8

MiMo-V2.6-Flash

小米开源

26.7

Mistral Large 4

Mistral · High 开源

26.1

Muse Spark Open

Meta · Xhigh 开源

24.9

DeepSeek V4 Pro 0813

DeepSeek · Max 开源

23.1

Nanbeige4.3-33B

Nanbeige 开源

20.4

Qwen3.8 27B

阿里通义 · Xhigh 开源

20.1

MiniMax-M3

MiniMax 开源

18.9

K2 Horizon 375B A23B

Institute of Foundation Models 开源

17.8

Beam 1.0

Reflection 开源

17.7

Nemotron 3.5 Super VL

NVIDIA 开源

13.6

Inkling Small

Thinking Machines 开源

12.9

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。

AA 用统一协议合成的可比分数

模型	AA Intelligence Index 综合智能指数	AA Omniscience 全知指数
Gemini 4 Carbon Google · High	60.0	+53.5
Claude Opus 5.5 Anthropic · Max	59.1	+48.1
GPT-6 Astra OpenAI · Max	56.9	+42.4
GPT-6.1 Sol OpenAI · Max	54.6	+42.0
Claude Sonnet 5.5 Anthropic · Max	54.5	+30.5
GPT-6.1 Terra OpenAI · Max	51.3	+29.6
Gemini 4 Argon Google · High	50.4	+46.1
Muse Wonder Full Meta · Max	50.1	+30.6
Claude Fable 5.1 Anthropic · Xhigh	50.0	+44.3
Kimi K3.1 Pro 月之暗面	46.5	+29.9
Muse Wonder Meta · Max	43.6	+25.1
Claude Haiku 5.5 Anthropic · Max	36.5	+12.3
Grok 4.7 xAI · Xhigh	35.5	+31.2
Tencent Hy4 腾讯	34.6	+5.4
Qwen3.8 Max 阿里通义 · 0902	33.7	+10.5
DeepSeek V4.1 Flash 1017 DeepSeek · Max	32.6	+0.9
GLM-5.3 智谱 · Max	31.7	+6.0
Gemini 3.8 Flash Google · High	30.8	+23.3
Inkling 2 Small Thinking Machines	30.6	+16.1
MiMo-V2.6-Pro 小米	29.9	-4.5
Ling 3.1 Flash 1019 InclusionAI	29.6	-0.1
MiniMax-M3.1-Flash MiniMax	29.1	-6.4
Step 5 Preview 阶跃星辰	28.5	+16.4
GPT-6 Luna OpenAI · Max	27.9	-8.3
GLM-5.3-Flash 智谱	27.8	+0.7
MiMo-V2.6-Flash 小米	26.7	-10.8
Mistral Large 4 Mistral · High	26.1	+5.1
Muse Spark Open Meta · Xhigh	24.9	+25.8
DeepSeek V4 Pro 0813 DeepSeek · Max	23.1	-6.4
Nanbeige4.3-33B Nanbeige	20.4	-4.4
Qwen3.8 27B 阿里通义 · Xhigh	20.1	-6.4
MiniMax-M3 MiniMax	18.9	-5.5
K2 Horizon 375B A23B Institute of Foundation Models	17.8	-5.0
Beam 1.0 Reflection	17.7	+2.3
Nemotron 3.5 Super VL NVIDIA	13.6	-2.9
Inkling Small Thinking Machines	12.9	-9.5

通用知识、科学、多模态理解与科研编程

模型	GPQA Diamond 研究生级科学问答	Humanity's Last Exam 终极考试	MMMU-Pro 多模态理解 Pro	SciCode 科研编程
Gemini 4 Carbon Google · High	—	—	—	—
Claude Opus 5.5 Anthropic · Max	—	61.4%	87.7%	66.9%
GPT-6 Astra OpenAI · Max	96.1%	54.7%	86.9%	56.5%
GPT-6.1 Sol OpenAI · Max	—	52.9%	86.0%	54.2%
Claude Sonnet 5.5 Anthropic · Max	—	55.0%	—	61.0%
GPT-6.1 Terra OpenAI · Max	—	46.3%	84.7%	55.1%
Gemini 4 Argon Google · High	—	57.1%	—	61.8%
Muse Wonder Full Meta · Max	—	53.6%	—	62.6%
Claude Fable 5.1 Anthropic · Xhigh	93.4%	58.7%	—	60.9%
Kimi K3.1 Pro 月之暗面	—	52.5%	83.9%	60.8%
Muse Wonder Meta · Max	—	50.1%	—	60.3%
Claude Haiku 5.5 Anthropic · Max	—	44.4%	—	55.0%
Grok 4.7 xAI · Xhigh	—	43.1%	—	57.4%
Tencent Hy4 腾讯	—	—	—	—
Qwen3.8 Max 阿里通义 · 0902	92.8%	43.1%	82.8%	52.1%
DeepSeek V4.1 Flash 1017 DeepSeek · Max	—	43.3%	80.6%	55.9%
GLM-5.3 智谱 · Max	91.7%	42.3%	—	59.0%
Gemini 3.8 Flash Google · High	95.3%	47.8%	85.6%	56.6%
Inkling 2 Small Thinking Machines	—	44.1%	81.6%	52.3%
MiMo-V2.6-Pro 小米	—	49.4%	—	60.9%
Ling 3.1 Flash 1019 InclusionAI	—	43.5%	—	56.8%
MiniMax-M3.1-Flash MiniMax	—	48.0%	79.1%	53.4%
Step 5 Preview 阶跃星辰	—	46.5%	76.4%	58.9%
GPT-6 Luna OpenAI · Max	—	38.5%	79.7%	54.6%
GLM-5.3-Flash 智谱	91.2%	39.9%	—	51.6%
MiMo-V2.6-Flash 小米	—	35.1%	73.1%	51.3%
Mistral Large 4 Mistral · High	—	—	—	—
Muse Spark Open Meta · Xhigh	89.0%	43.9%	80.9%	58.5%
DeepSeek V4 Pro 0813 DeepSeek · Max	92.8%	41.0%	—	51.0%
Nanbeige4.3-33B Nanbeige	—	—	—	—
Qwen3.8 27B 阿里通义 · Xhigh	90.5%	33.9%	76.3%	46.6%
MiniMax-M3 MiniMax	92.9%	39.0%	78.5%	47.1%
K2 Horizon 375B A23B Institute of Foundation Models	87.3%	32.0%	—	42.9%
Beam 1.0 Reflection	—	34.7%	—	48.5%
Nemotron 3.5 Super VL NVIDIA	—	30.7%	—	47.8%
Inkling Small Thinking Machines	89.5%	33.3%	74.1%	49.6%

可验证约束下的按要求执行

模型	IFBench 指令跟随
Gemini 4 Carbon Google · High	—
Claude Opus 5.5 Anthropic · Max	—
GPT-6 Astra OpenAI · Max	—
GPT-6.1 Sol OpenAI · Max	—
Claude Sonnet 5.5 Anthropic · Max	—
GPT-6.1 Terra OpenAI · Max	—
Gemini 4 Argon Google · High	—
Muse Wonder Full Meta · Max	—
Claude Fable 5.1 Anthropic · Xhigh	—
Kimi K3.1 Pro 月之暗面	—
Muse Wonder Meta · Max	—
Claude Haiku 5.5 Anthropic · Max	—
Grok 4.7 xAI · Xhigh	—
Tencent Hy4 腾讯	—
Qwen3.8 Max 阿里通义 · 0902	—
DeepSeek V4.1 Flash 1017 DeepSeek · Max	—
GLM-5.3 智谱 · Max	—
Gemini 3.8 Flash Google · High	—
Inkling 2 Small Thinking Machines	—
MiMo-V2.6-Pro 小米	—
Ling 3.1 Flash 1019 InclusionAI	—
MiniMax-M3.1-Flash MiniMax	—
Step 5 Preview 阶跃星辰	—
GPT-6 Luna OpenAI · Max	—
GLM-5.3-Flash 智谱	—
MiMo-V2.6-Flash 小米	—
Mistral Large 4 Mistral · High	—
Muse Spark Open Meta · Xhigh	—
DeepSeek V4 Pro 0813 DeepSeek · Max	—
Nanbeige4.3-33B Nanbeige	—
Qwen3.8 27B 阿里通义 · Xhigh	—
MiniMax-M3 MiniMax	82.9%
K2 Horizon 375B A23B Institute of Foundation Models	—
Beam 1.0 Reflection	—
Nemotron 3.5 Super VL NVIDIA	—
Inkling Small Thinking Machines	—

工具调用、终端操作、企业流程与运维

模型	τ²-bench 工具调用智能体	τ²-bench (Banking) 金融工具智能体	Terminal-Bench (Hard) 终端智能体·困难集	Terminal-Bench 2.0 终端智能体 2.0	Terminal-Bench 4.0 终端智能体 4.0	Apex-Agents 企业流程智能体	ITBench (SRE) 运维智能体	Analyst Agent 分析智能体	GDPval 经济价值任务
Gemini 4 Carbon Google · High	—	—	—	—	65.1%	—	—	—	—
Claude Opus 5.5 Anthropic · Max	—	—	—	—	59.6%	—	38.2%	56.3%	—
GPT-6 Astra OpenAI · Max	—	41.4%	—	88.4%	59.1%	—	48.6%	51.2%	—
GPT-6.1 Sol OpenAI · Max	—	—	—	—	56.1%	—	—	50.0%	—
Claude Sonnet 5.5 Anthropic · Max	—	—	—	—	63.6%	—	—	57.5%	—
GPT-6.1 Terra OpenAI · Max	—	—	—	—	55.6%	—	—	—	—
Gemini 4 Argon Google · High	—	—	—	—	57.1%	—	—	48.8%	—
Muse Wonder Full Meta · Max	—	—	—	—	57.1%	—	—	—	—
Claude Fable 5.1 Anthropic · Xhigh	—	45.8%	—	91.0%	55.0%	—	—	—	—
Kimi K3.1 Pro 月之暗面	—	—	—	—	67.2%	—	—	38.8%	—
Muse Wonder Meta · Max	—	—	—	—	52.0%	—	—	—	—
Claude Haiku 5.5 Anthropic · Max	—	—	—	—	32.8%	—	—	53.8%	—
Grok 4.7 xAI · Xhigh	—	—	—	—	25.8%	—	42.1%	52.5%	—
Tencent Hy4 腾讯	—	—	—	—	37.4%	—	—	—	—
Qwen3.8 Max 阿里通义 · 0902	—	47.8%	—	88.8%	38.9%	42.4%	40.3%	45.0%	—
DeepSeek V4.1 Flash 1017 DeepSeek · Max	—	—	—	—	33.8%	—	—	—	—
GLM-5.3 智谱 · Max	—	50.3%	—	83.9%	41.9%	—	46.1%	38.8%	—
Gemini 3.8 Flash Google · High	—	45.0%	—	87.6%	19.7%	—	52.5%	46.3%	—
Inkling 2 Small Thinking Machines	—	40.4%	—	81.3%	13.1%	—	—	51.2%	—
MiMo-V2.6-Pro 小米	—	—	—	—	34.8%	—	—	37.5%	—
Ling 3.1 Flash 1019 InclusionAI	—	—	—	—	32.8%	—	—	—	—
MiniMax-M3.1-Flash MiniMax	—	—	—	—	25.8%	—	—	—	—
Step 5 Preview 阶跃星辰	—	—	—	—	33.3%	38.0%	55.6%	35.0%	—
GPT-6 Luna OpenAI · Max	—	—	—	—	12.6%	—	—	43.8%	—
GLM-5.3-Flash 智谱	—	47.2%	—	84.3%	32.8%	—	51.2%	25.0%	—
MiMo-V2.6-Flash 小米	—	—	—	—	22.7%	—	—	—	—
Mistral Large 4 Mistral · High	—	—	—	—	24.8%	—	—	—	—
Muse Spark Open Meta · Xhigh	—	—	—	76.4%	8.1%	—	—	—	—
DeepSeek V4 Pro 0813 DeepSeek · Max	—	39.6%	—	78.6%	14.1%	—	—	—	—
Nanbeige4.3-33B Nanbeige	—	—	—	—	29.8%	—	—	—	—
Qwen3.8 27B 阿里通义 · Xhigh	—	48.0%	—	79.8%	5.6%	—	—	—	—
MiniMax-M3 MiniMax	88.9%	15.3%	42.4%	65.2%	2.0%	—	—	10.0%	—
K2 Horizon 375B A23B Institute of Foundation Models	—	34.2%	—	71.9%	1.5%	—	—	—	—
Beam 1.0 Reflection	—	—	—	—	3.0%	—	—	—	—
Nemotron 3.5 Super VL NVIDIA	—	—	—	—	0.0%	—	—	—	—
Inkling Small Thinking Machines	—	18.8%	—	55.1%	1.0%	—	—	27.5%	—

长文本跨段检索与推理

模型	Long Context Reasoning 长上下文推理
Gemini 4 Carbon Google · High	79.3%
Claude Opus 5.5 Anthropic · Max	84.7%
GPT-6 Astra OpenAI · Max	80.7%
GPT-6.1 Sol OpenAI · Max	83.0%
Claude Sonnet 5.5 Anthropic · Max	82.7%
GPT-6.1 Terra OpenAI · Max	82.7%
Gemini 4 Argon Google · High	79.7%
Muse Wonder Full Meta · Max	83.7%
Claude Fable 5.1 Anthropic · Xhigh	83.0%
Kimi K3.1 Pro 月之暗面	86.3%
Muse Wonder Meta · Max	80.7%
Claude Haiku 5.5 Anthropic · Max	82.7%
Grok 4.7 xAI · Xhigh	76.7%
Tencent Hy4 腾讯	—
Qwen3.8 Max 阿里通义 · 0902	80.3%
DeepSeek V4.1 Flash 1017 DeepSeek · Max	82.7%
GLM-5.3 智谱 · Max	79.7%
Gemini 3.8 Flash Google · High	81.3%
Inkling 2 Small Thinking Machines	83.3%
MiMo-V2.6-Pro 小米	86.3%
Ling 3.1 Flash 1019 InclusionAI	82.3%
MiniMax-M3.1-Flash MiniMax	79.7%
Step 5 Preview 阶跃星辰	88.3%
GPT-6 Luna OpenAI · Max	83.3%
GLM-5.3-Flash 智谱	80.0%
MiMo-V2.6-Flash 小米	74.3%
Mistral Large 4 Mistral · High	—
Muse Spark Open Meta · Xhigh	78.3%
DeepSeek V4 Pro 0813 DeepSeek · Max	80.3%
Nanbeige4.3-33B Nanbeige	—
Qwen3.8 27B 阿里通义 · Xhigh	82.0%
MiniMax-M3 MiniMax	83.0%
K2 Horizon 375B A23B Institute of Foundation Models	80.0%
Beam 1.0 Reflection	78.0%
Nemotron 3.5 Super VL NVIDIA	69.0%
Inkling Small Thinking Machines	75.7%

当前难度天花板

模型	CritPt 科研批判性推理
Gemini 4 Carbon Google · High	—
Claude Opus 5.5 Anthropic · Max	31.7%
GPT-6 Astra OpenAI · Max	31.7%
GPT-6.1 Sol OpenAI · Max	31.7%
Claude Sonnet 5.5 Anthropic · Max	31.4%
GPT-6.1 Terra OpenAI · Max	28.0%
Gemini 4 Argon Google · High	27.1%
Muse Wonder Full Meta · Max	32.9%
Claude Fable 5.1 Anthropic · Xhigh	31.1%
Kimi K3.1 Pro 月之暗面	24.6%
Muse Wonder Meta · Max	28.3%
Claude Haiku 5.5 Anthropic · Max	18.9%
Grok 4.7 xAI · Xhigh	17.7%
Tencent Hy4 腾讯	—
Qwen3.8 Max 阿里通义 · 0902	17.7%
DeepSeek V4.1 Flash 1017 DeepSeek · Max	24.0%
GLM-5.3 智谱 · Max	19.1%
Gemini 3.8 Flash Google · High	18.3%
Inkling 2 Small Thinking Machines	—
MiMo-V2.6-Pro 小米	26.6%
Ling 3.1 Flash 1019 InclusionAI	26.0%
MiniMax-M3.1-Flash MiniMax	22.3%
Step 5 Preview 阶跃星辰	20.9%
GPT-6 Luna OpenAI · Max	19.4%
GLM-5.3-Flash 智谱	15.4%
MiMo-V2.6-Flash 小米	12.0%
Mistral Large 4 Mistral · High	10.0%
Muse Spark Open Meta · Xhigh	14.9%
DeepSeek V4 Pro 0813 DeepSeek · Max	18.0%
Nanbeige4.3-33B Nanbeige	—
Qwen3.8 27B 阿里通义 · Xhigh	5.4%
MiniMax-M3 MiniMax	3.7%
K2 Horizon 375B A23B Institute of Foundation Models	4.6%
Beam 1.0 Reflection	13.1%
Nemotron 3.5 Super VL NVIDIA	10.6%
Inkling Small Thinking Machines	8.3%

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

60.0 Gemini 4 Carbon

Google

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

+53.5 Gemini 4 Carbon

Google

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 12/36

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 32/36

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 17/36

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 32/36

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

82.9% MiniMax-M3

MiniMax

覆盖 1/36

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

88.9% MiniMax-M3

MiniMax

覆盖 1/36

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

50.3% GLM-5.3

智谱

覆盖 12/36

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

42.4% MiniMax-M3

MiniMax

覆盖 1/36

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

91.0% Claude Fable 5.1

Anthropic

覆盖 13/36

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

67.2% Kimi K3.1 Pro

月之暗面

覆盖 36/36

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 2/36

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 8/36

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

暂无实测分

覆盖 0/36

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

88.3% Step 5 Preview

阶跃星辰

覆盖 33/36

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

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。