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。

查看评测基准详情数据更新于 2026-06-01 11:41:50

截至 2026年6月，AA 智能指数前列模型包括 Claude Opus 4.8 (max)、GPT-5.5 (xhigh)、GPT-5.5 (high)，该指数汇总编程、推理、科学等 10 项标准化评测。

LMArena 文本生成榜当前靠前的模型包括 Claude Opus 4.6 (thinking)、Opus 4.7 (thinking)、Claude Opus 4.6，排名基于真人匿名 A/B 投票。

下方可按数学、编程、Agent 等分类查看单项排名。数据口径说明见数据方法论，延伸阅读见大模型分析博客。

综合排名

目前没有一个被普遍认可的"AI 模型综合排名"，因此我们选取了两个具有代表性、且切入角度不同的综合榜单并列展示。Artificial Analysis 智能指数（AA Intelligence Index）汇总编程、数学、推理等 10 项标准化评测的跑分，衡量模型的客观能力；LMArena（原 Chatbot Arena）基于全球用户匿名盲测 A/B 投票得出的 Elo 分数，反映真实使用体感。两者分别提供客观基准与主观偏好的视角。

AA Intelligence Index

完整排名

汇总编程、数学、科学、推理、智能体等 10 项标准化评测的综合分数。

数据更新于 2026年06月07日

#模型分数

Claude Opus 4.8 (max)Anthropic

GPT-5.5 (xhigh)OpenAI

GPT-5.5 (high)OpenAI

Opus 4.7 (max)Anthropic

Gemini 3.1 Pro PreviewGoogle Deep Mind

GPT-5.5 (medium)OpenAI

阿

Qwen3.7 Max阿里巴巴

Gemini 3.5 FlashGoogle Deep Mind

Gemini 3.5 Flash (medium)Google

MiniMax-M3MiniMax

来源：Artificial Analysis

LMArena Text Generation

完整排名

基于匿名众包 A/B 对战的 Elo 评分，反映真实用户对回答质量的偏好。

数据更新于 2026年06月05日

#模型Elo

Claude Opus 4.6 (thinking)Anthropic

1504

Opus 4.7 (thinking)Anthropic

1501

Claude Opus 4.6Anthropic

1498

Opus 4.7Anthropic

1493

Muse SparkFacebook AI研究实验室

1489

Gemini 3.1 Pro PreviewGoogle Deep Mind

1488

Gemini 3.0 Pro (Preview 11-2025)Google Deep Mind

1486

claude-opus-4-8-thinkingAnthropic

1482

GPT-5.5 (high)OpenAI

1482

GPT-5.4 (high)OpenAI

1479

来源：LMArena

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。

评测方向

综合排名

ARC-AGI-2 HLE MMLU Pro 进入全部基准列表

数学

AIME 2025 FrontierMath MATH-500 进入数学能力排行榜

编程

SWE-bench Verified LiveCodeBench SWE-Bench Pro 进入编程能力排行榜

Agent

τ²-Bench Terminal Bench 2.0 Aider-Polyglot 进入 Agent 能力排行榜

参数规模:全部 3B及以下 7B 13B 34B 65B 100B及以上

模型类型:全部推理大模型基座大模型指令优化/聊天优化大模型编程大模型

开源：全部开源闭源

来源：全部国产模型

AI 模型推荐

按 MMLU Pro 排序

当前 SOTA

OpenAI o1

OpenAI

91.04MMLU Pro

查看详情

最佳开源

此基准下暂无符合条件的模型。

最佳国产

Qwen3.7-Max-Preview

阿里巴巴

89.60MMLU Pro−1.44

查看详情

大模型性能评测结果

数据来源：DataLearnerAI

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。

排名	模型						开源情况
	OpenAI o1 OpenAI	9.10	—	—	48.90	—	闭源	详情
	Opus 4.5 Anthropic	43.20	37.60	4.20	80.90	81.99	闭源	详情
	Qwen3.7-Max-Preview 阿里巴巴	53.50	—	—	80.40	—	闭源	详情
4	Opus 4.1 Anthropic	—	—	4.20	74.50	—	闭源	详情
5	Hunyuan-T1 腾讯AI实验室	—	—	—	—	—	闭源	详情
6	Grok 4 xAI	38.60	15.90	2.10	58.60	—	闭源	详情
7	Gemini 2.5-Pro Google Deep Mind	21.60	4.90	2.10	67.20	—	闭源	详情
8	Qwen3-Max-Thinking 阿里巴巴	49.80	—	—	75.30	82.10	闭源	详情
9	OpenAI o3 OpenAI	20.32	6.50	2.10	69.10	—	闭源	详情
10	Grok 4.1 Fast xAI	17.60	—	—	—	82.71	闭源	详情
11	Claude Opus 4 Anthropic	10.70	8.60	4.20	72.50	72.50	闭源	详情
12	Claude Sonnet 4 Anthropic	9.60	5.90	—	80.20	52.00	闭源	详情
13	OpenAI o4 - mini OpenAI	17.70	—	6.30	68.10	56.90	闭源	详情
14	OpenAI o1-mini OpenAI	—	—	—	—	—	闭源	详情
15	Hunyuan-TurboS 腾讯AI实验室	—	—	—	—	—	闭源	详情
16	Gemini 2.5 Flash-Lite Google Deep Mind	6.90	—	—	27.60	—	闭源	详情
17	Muse Spark Facebook AI研究实验室	58.00	42.50	14.60	77.40	—	闭源	详情
18	Claude Opus 4.8 Anthropic	57.90	—	—	88.60	—	闭源	详情
19	GPT-5.5 Pro OpenAI	57.20	84.60	39.60	—	—	闭源	详情
20	Opus 4.7 Anthropic	54.70	75.80	22.90	87.60	—	闭源	详情
21	Claude Opus 4.6 Anthropic	53.00	66.30	22.90	80.84	91.89	闭源	详情
22	GPT-5.5 OpenAI	52.20	85.00	35.40	—	—	闭源	详情
23	GPT-5.2 Pro OpenAI	50.00	54.20	31.30	—	—	闭源	详情
24	Gemini 3 Deep Think - 2620 Google Deep Mind	48.40	84.60	—	—	—	闭源	详情
25	GPT-5.1 OpenAI	42.70	17.60	12.50	76.30	—	闭源	详情
26	GPT-5-Pro OpenAI	42.00	18.00	14.60	—	—	闭源	详情
27	GPT-5.4 mini OpenAI	41.50	—	2.10	—	—	闭源	详情
28	Gemini-2.5-Pro-Preview-05-06 Google Deep Mind	21.60	—	2.10	63.20	—	闭源	详情
29	o3-pro OpenAI	21.00	—	—	75.00	—	闭源	详情
30	Gemini 2.5 Pro Experimental 03-25 Google Deep Mind	18.80	—	4.20	63.80	—	闭源	详情
31	OpenAI o3-mini OpenAI	13.40	—	4.20	40.80	—	闭源	详情
32	Gemini 2.5 Flash Google Deep Mind	11.00	—	4.20	50.00	—	闭源	详情
33	Composer 1.5 Cursor	—	—	—	—	—	闭源	详情
34	GPT-5-Nano OpenAI	—	—	2.10	—	—	闭源	详情
35	GPT-5.1 Instant OpenAI	—	0.00	—	—	—	闭源	详情
36	Grok 3.5 xAI	—	—	—	—	—	闭源	详情
37	Magistral-Medium-2506 MistralAI	—	—	—	—	—	闭源	详情
38	Kimi-k1.6-IOI Moonshot AI	—	—	—	—	—	闭源	详情
39	OpenAI o3-mini (medium) OpenAI	—	—	—	—	—	闭源	详情
40	Kimi-k1.6-IOI-high Moonshot AI	—	—	—	—	—	闭源	详情
41	Grok-3 - Reasoning Beta xAI	—	—	—	—	—	闭源	详情
42	Gemini 2.5 Pro Deep Think Google Deep Mind	—	—	10.40	—	—	闭源	详情
43	Phi-4-instruct (reasoning-trained) Microsoft Azure	—	—	—	—	—	闭源	详情
44	Kimi k1.5 (Short-CoT) Moonshot AI	—	—	—	—	—	闭源	详情
45	Claude Sonnet 3.7-64K Extended Thinking Anthropic	—	—	—	—	—	闭源	详情
46	Kimi k1.5 (Long-CoT) Moonshot AI	—	—	—	—	—	闭源	详情
47	OpenAI o3-mini (high) OpenAI	—	—	4.20	49.30	—	闭源	详情
48	Grok 4.1 xAI	—	—	—	54.60	—	闭源	详情

OpenAI o1 OpenAI

HLE9.10

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified48.90

τ²-Bench—

闭源

Opus 4.5 Anthropic

HLE43.20

ARC-AGI-237.60

FrontierMath - Tier 44.20

SWE-bench Verified80.90

τ²-Bench81.99

闭源

Qwen3.7-Max-Preview 阿里巴巴

HLE53.50

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified80.40

τ²-Bench—

闭源

Opus 4.1 Anthropic

HLE—

ARC-AGI-2—

FrontierMath - Tier 44.20

SWE-bench Verified74.50

τ²-Bench—

闭源

Hunyuan-T1 腾讯AI实验室

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Grok 4 xAI

HLE38.60

ARC-AGI-215.90

FrontierMath - Tier 42.10

SWE-bench Verified58.60

τ²-Bench—

闭源

Gemini 2.5-Pro Google Deep Mind

HLE21.60

ARC-AGI-24.90

FrontierMath - Tier 42.10

SWE-bench Verified67.20

τ²-Bench—

闭源

Qwen3-Max-Thinking 阿里巴巴

HLE49.80

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified75.30

τ²-Bench82.10

闭源

OpenAI o3 OpenAI

HLE20.32

ARC-AGI-26.50

FrontierMath - Tier 42.10

SWE-bench Verified69.10

τ²-Bench—

闭源

Grok 4.1 Fast xAI

HLE17.60

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench82.71

闭源

Claude Opus 4 Anthropic

HLE10.70

ARC-AGI-28.60

FrontierMath - Tier 44.20

SWE-bench Verified72.50

τ²-Bench72.50

闭源

Claude Sonnet 4 Anthropic

HLE9.60

ARC-AGI-25.90

FrontierMath - Tier 4—

SWE-bench Verified80.20

τ²-Bench52.00

闭源

OpenAI o4 - mini OpenAI

HLE17.70

ARC-AGI-2—

FrontierMath - Tier 46.30

SWE-bench Verified68.10

τ²-Bench56.90

闭源

OpenAI o1-mini OpenAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Hunyuan-TurboS 腾讯AI实验室

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Gemini 2.5 Flash-Lite Google Deep Mind

HLE6.90

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified27.60

τ²-Bench—

闭源

Muse Spark Facebook AI研究实验室

HLE58.00

ARC-AGI-242.50

FrontierMath - Tier 414.60

SWE-bench Verified77.40

τ²-Bench—

闭源

Claude Opus 4.8 Anthropic

HLE57.90

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified88.60

τ²-Bench—

闭源

GPT-5.5 Pro OpenAI

HLE57.20

ARC-AGI-284.60

FrontierMath - Tier 439.60

SWE-bench Verified—

τ²-Bench—

闭源

Opus 4.7 Anthropic

HLE54.70

ARC-AGI-275.80

FrontierMath - Tier 422.90

SWE-bench Verified87.60

τ²-Bench—

闭源

Claude Opus 4.6 Anthropic

HLE53.00

ARC-AGI-266.30

FrontierMath - Tier 422.90

SWE-bench Verified80.84

τ²-Bench91.89

闭源

GPT-5.5 OpenAI

HLE52.20

ARC-AGI-285.00

FrontierMath - Tier 435.40

SWE-bench Verified—

τ²-Bench—

闭源

GPT-5.2 Pro OpenAI

HLE50.00

ARC-AGI-254.20

FrontierMath - Tier 431.30

SWE-bench Verified—

τ²-Bench—

闭源

Gemini 3 Deep Think - 2620 Google Deep Mind

HLE48.40

ARC-AGI-284.60

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

GPT-5.1 OpenAI

HLE42.70

ARC-AGI-217.60

FrontierMath - Tier 412.50

SWE-bench Verified76.30

τ²-Bench—

闭源

GPT-5-Pro OpenAI

HLE42.00

ARC-AGI-218.00

FrontierMath - Tier 414.60

SWE-bench Verified—

τ²-Bench—

闭源

GPT-5.4 mini OpenAI

HLE41.50

ARC-AGI-2—

FrontierMath - Tier 42.10

SWE-bench Verified—

τ²-Bench—

闭源

Gemini-2.5-Pro-Preview-05-06 Google Deep Mind

HLE21.60

ARC-AGI-2—

FrontierMath - Tier 42.10

SWE-bench Verified63.20

τ²-Bench—

闭源

o3-pro OpenAI

HLE21.00

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified75.00

τ²-Bench—

闭源

Gemini 2.5 Pro Experimental 03-25 Google Deep Mind

HLE18.80

ARC-AGI-2—

FrontierMath - Tier 44.20

SWE-bench Verified63.80

τ²-Bench—

闭源

OpenAI o3-mini OpenAI

HLE13.40

ARC-AGI-2—

FrontierMath - Tier 44.20

SWE-bench Verified40.80

τ²-Bench—

闭源

Gemini 2.5 Flash Google Deep Mind

HLE11.00

ARC-AGI-2—

FrontierMath - Tier 44.20

SWE-bench Verified50.00

τ²-Bench—

闭源

Composer 1.5 Cursor

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

GPT-5-Nano OpenAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 42.10

SWE-bench Verified—

τ²-Bench—

闭源

GPT-5.1 Instant OpenAI

HLE—

ARC-AGI-20.00

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Grok 3.5 xAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Magistral-Medium-2506 MistralAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Kimi-k1.6-IOI Moonshot AI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

OpenAI o3-mini (medium)OpenAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Kimi-k1.6-IOI-high Moonshot AI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Grok-3 - Reasoning Beta xAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Gemini 2.5 Pro Deep Think Google Deep Mind

HLE—

ARC-AGI-2—

FrontierMath - Tier 410.40

SWE-bench Verified—

τ²-Bench—

闭源

Phi-4-instruct (reasoning-trained)Microsoft Azure

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Kimi k1.5 (Short-CoT)Moonshot AI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Claude Sonnet 3.7-64K Extended Thinking Anthropic

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

Kimi k1.5 (Long-CoT)Moonshot AI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified—

τ²-Bench—

闭源

OpenAI o3-mini (high)OpenAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 44.20

SWE-bench Verified49.30

τ²-Bench—

闭源

Grok 4.1 xAI

HLE—

ARC-AGI-2—

FrontierMath - Tier 4—

SWE-bench Verified54.60

τ²-Bench—

闭源

排序：

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？

数据每 5 分钟自动重新校验一次；新模型或新评测结果一旦公开就会同步收录。页面顶部的"数据更新于"指示器反映最近一次数据刷新时间。

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。