AI大模型评测排行榜
聚合 ARC-AGI-2、AIME 2025、SWE-bench Verified 等主流评测的实时排名,按综合、数学、编程、Agent 等维度快速筛选。
综合排名
从三个视角参考大模型表现:AA 智能指数汇总标准化能力评测,LMArena 反映匿名对战中的用户偏好,Vals Index 衡量按行业经济权重加权的实际任务能力。三个榜单各自排名,分数不跨榜比较。
近期排名变化
代码、数学、Agent 榜单近 30 天的排名上升、下降与新上榜模型。
代码能力
完整榜单- Gemini 3 Deep Think February 2026 Upgrade数据更新#2·Google DeepMind·3455
- gpt-oss-20b数据更新#5·OpenAI·984.58
- Qwen3-32B数据更新#7·阿里巴巴·856.75
- GPT Opensources 120B数据更新#8·OpenAI·763.69
- OpenAI o3-mini数据更新#11·OpenAI·564.72
- DeepSeek V4 Pro数据更新#12·DeepSeek-AI·498.62
- DeepSeek V3.2 (正式版)数据更新#16·DeepSeek-AI·317.48
- Claude 3.5 Sonnet数据更新#17·Anthropic·92
数学能力
完整榜单单项评测排名
按数学、编程、Agent 等维度筛选排名。下方可切换评测基准,也可直接进入分类排行榜查看完整排名。 查看全部评测基准。
AI 模型推荐
按 HLE 排序大模型性能评测结果
数据来源:DataLearnerAI找到 87 条记录
点击任意行查看模型详情;勾选左侧 可对比最多 4 个模型。表中分数为各评测模式中的最高得分。
排行榜常见问题
排行榜的数据来源是什么?
所有得分来自一手出处:模型官方 model card、技术报告、论文、厂商博客与可复现的第三方评测。每一行均链回对应的模型详情页,可查看原始引用。
为什么同一模型在不同基准上分数差异很大?
每个基准测的能力不一样:推理类(HLE、ARC-AGI-2)、数学类(AIME、FrontierMath)、编程类(SWE-bench Verified)、Agent 工具使用类(τ²-Bench)等。模型在某一能力上专门优化后,往往会牺牲另一些能力,因此排行榜按基准分别展示,而不是合并成一个分数。
排行榜多久更新一次?
页面缓存每 5 分钟重新校验,不代表每项评测都在此时更新。新成绩经核对后收录;页面顶部显示最近收录更新,各外部榜单分别显示其来源版本日期。
综合排名应该怎么解读?
综合榜聚合了模型在多个核心基准上的位次,可作为初筛工具。但落地选型时建议进入与你业务最相关的单项基准查看,例如 Coding Agent 看 SWE-bench Verified、工具调用场景看 τ²-Bench。
开源大模型和闭源 API 模型怎么对比?
使用顶部的"许可"筛选切换为"全部",开源与闭源模型可在同一基准列直接对比。除分数外,还需考虑总持有成本:闭源模型按 API 用量计费,开源模型则需衡量自部署的硬件与运维成本。
知名模型开发商
查看全部 114 家机构点击进入开发商主页,查看其全部模型、系列与产品线。
阿里巴巴
OpenAI
Google DeepMind
MistralAI
Facebook AI研究实验室
微软
智谱AI
DeepSeek-AI
Anthropic
Google Research
字节跳动Seed团队
百度
Stability AI模型对比分析
逐项对比的深度分析:评测分差到底意味着什么,以及什么场景该选哪一个。
Hy4 vs Hy4 preview:加入视觉与电脑操作后提升有多大
Hy4 是腾讯 2026 年 11 月 4 日发布的正式版,在 preview(2026-08-28)基础上加入图像输入与电脑操作,最大输出 64K;两者都是 1M 上下文、价格同为 ¥6 / ¥18(国际站 $0.834 / $2.501)。5 项共同评测全部提升:APEX-Agents 75.2 对 37.1,AutomationBench 56.2 对 32.1,Terminal-Bench 4.0 44.4 对 8.08,DeepSWE 74.9 对 64.3,HLE 59.1 对 55.4。关键差别是 preview 为 Apache 2.0 开源权重,正式版权重尚未发布。
SWE-2 Flash vs SWE-2:Cognition 轻量编程模型与旗舰版差多少
SWE-2 Flash 是 Cognition 2026 年 11 月 4 日发布的轻量编程模型,276B 总参数、12B 激活,基座换成 Thinking Machines 的 Inkling-Small;SWE-2 发布于 9 月 10 日,基于 Kimi K3。6 项共同评测里 SWE-2 全面小幅领先:Terminal-Bench 4.0 27.3 对 20.0,DeepSWE 73.0 对 60.1,FrontierCode 1.1 Main 50.0 对 45.5;Flash 只在 FrontierCode 2.0 上以 24.0 对 23.78 略高。两者都只能通过 Devin 使用,没有独立 API 与公开单价。
Inkling 2 Small vs DeepSeek V4.1 Flash 1017:1M 上下文轻量档怎么选
两者都是 1M 上下文、550–590B 总参数的 MoE 低价档模型,发布时间只差三周。23 项共同评测里 DeepSeek 在终端与代理任务明显领先(Terminal-Bench 4.0 42.3 对 13.13,AutomationBench 66.64 对 45.62),Inkling 在高难知识、视觉感知与金融税务项目更好(HLE-Diamond 28.7 对 21.6,Tax Agent Bench 65.8 对 44.35)。DeepSeek 以 MIT 开放权重,谷时非缓存单价只有 Inkling 的一半。
Gemini 4 Carbon vs GPT-6 Astra:长期工程、安全与部署选择
Carbon 在部分安全和长上下文测试中领先,Astra 在 FrontierSWE 2 等工程任务上更强。比较具体场景、访问条件和测试口径,确定各自值得验证的位置。本文说明发布表与实时榜单的来源差异、特殊测试条件、推广期价格及受限开放状态,并给出基于实际工作负载的验证建议。
探索更多
排行榜只覆盖参与评测的模型。你还可以按模型、机构或评测基准浏览完整内容。









