Ladder · 2026-09 快照

AI 天梯图

56 个大模型 × 8 大领域评分天梯。聚合 Arena 盲测、权威基准与第三方评测，一图看清谁在哪个山头。

56 个模型在册 8 大领域榜单 数据截至 2026-09-07 每周随盲测票数刷新

梯队总览 · Arena Elo

领域天梯 · 点击切换

格局解读

🏛 Anthropic 的王朝时刻

Arena Elo 前三（Mythos 5 / Fable 5 / Opus 5）全部来自 Anthropic，数学榜前三同样是 Claude 系；编码平衡分 Opus 5 以 99.14 断层领先。Mythos 5 延续限量受邀策略，Fable 5 则全面开放——「天花板」与「出货量」两条腿走路。

🧮 OpenAI 双线作战

GPT-5.6 Sol 以综合指数 56.8 与 $4/$20 促销价同时压住「最强」与「最值」两个心智；GPT-5.6 Terra（118 t/s）卡位生产主力。GPT-6 Astra 已官宣在途，但受网安评级限制仅限量放行。

🇨🇳 中国开源集团军

OpenRouter 周度数据显示中国模型全球调用量连续 19 周第一（56.72 万亿 Token，约为美国 models 的三倍）。Kimi K3 以 Elo 1500 成为开源阵营新旗舰；编码榜 DeepSeek V4 Pro 与 Qwen3.8 Max 仅差 0.14 分并驾齐驱；Hy4 preview 单周调用量暴涨 379%。

⚡ 性价比革命

DeepSeek V4 Pro 用 $0.66/$1.98 的价格拿到 89 综合质量，Value 指数 67.4 断层领跑；百灵 Ling-3.0-Flash（124B/5.1B）与 Qwen3.8-27B（4-bit 约 17GB 显存）让家用显卡也能跑进前沿区间。

口径说明：各榜单来源与统计口径互不相同——Arena Elo 来自真实用户匿名盲测（每周随票数重排名），Math Arena 为其数学子赛道；综合能力指数为跨基准聚合的 TrueSkill 保守评分；编码平衡分按 SWE-bench 30% · Terminal-Bench 20% · Vibe Code 20% · LiveCodeBench 20% · IOI 10% 加权。细分榜相互独立，不宜跨榜直接比较。Elo 榜单存在 ±10~30 的置信区间，名次接近的模型实质上难分高下。数据为第三方评测聚合，非官方口径，检于 2026-09-07/09-08。相关新闻背景见 AI 新闻前沿。