三个主流大模型榜单前十与中国模型位置

我把截至 2026 年 8 月 16 日仍能公开核对的榜单重新过了一遍，这次选了 Artificial Analysis、Arena Text 和 Agent Arena三家机构榜单，分别代表模型的标准化综合能力、真人文本偏好和 Agent 执行表现。

价格统一写成美元／百万 token，顺序为输入／输出。榜单未显示的价格保留为空，不用聚合站估价补齐。

这三个榜单为什么值得看

榜单	评测方式	当前规模	认可度来自哪里	主要限制
Artificial Analysis Intelligence Index v4.1.1	独立运行 9 项标准化评测	已评 159 个模型，页面另含更多历史配置	评测方法、权重和模型运行数据公开，覆盖 Agent、编程、科学推理与通用能力	以英文文本为主，不能直接代表中文体验
Arena Text	真人匿名两两盲选	7,779,985 票，391 个模型	长期积累的大规模真实用户偏好数据，榜单给出置信区间和票数	文风、篇幅和回答习惯会影响偏好，相邻名次常有区间重叠
Agent Arena	真实 Agent 会话中的随机化组件选择与因果追踪	1,793,983 次会话，48 个模型	直接观察任务成功、用户反馈和工具恢复，能拆分主控模型的贡献	测到的是特定 Agent 环境中的表现，样本与工具配置会继续变化

Artificial Analysis 把 Agent、编程、科学推理和通用能力按 34%、24%、24% 和 18% 加权。Arena Text 更接近普通用户对回答质量的判断。Agent Arena 关注模型进入工具环境以后能否完成任务。这三种口径放在一起，比单看一道考试更完整。

Artificial Analysis 前十

下表采用总榜默认视图，每个模型使用当前页面展示的代表性高分配置，避免同一模型的多个推理档位重复占位。分数按页面显示值取整。

名次	模型配置	AA 综合指数	API 价格
1	Claude Opus 5 Max	63	5 / 25
2	Claude Fable 5 Max，含 Opus 4.8 回退	62	10 / 50
3	GPT-5.6 Sol Max	61	5 / 30
4	Grok 4.6 High	61	2 / 6
5	Kimi K3 Max	60	3 / 15
6	Qwen3.8 Max	58	2 / 6，取 Arena 显示价
7	Muse Spark 1.2 xHigh	57	1.25 / 4.25
8	GPT-5.6 Terra Max	57	2 / 12
9	Gemini 3.7 Flash High	56	0.75 / 3.57
10	DeepSeek V4 Pro 0813 Max	53	当前 0.435 / 0.87

DeepSeek 将在北京时间 8 月 17 日零时切换峰谷价格。V4 Pro 谷时为 0.66 / 1.98，峰时为 1.32 / 3.96。Artificial Analysis 模型页已经按峰时价格展示。

Arena Text 前十

Arena Text 当前快照来自 8 月 12 日。分数后的 ± 表示榜单给出的不确定范围。

名次	模型配置	综合分	票数	API 价格
1	Claude Fable 5	1506 ± 5	21,533	10 / 50
2	Claude Opus 4.6 High	1505 ± 4	72,516	5 / 25
3	Claude Opus 4.7 High	1502 ± 4	60,331	5 / 25
4	Muse Spark 1.2 xHigh	1498 ± 10	3,280	1.25 / 4.25
5	Claude Opus 4.6	1497 ± 3	76,474	5 / 25
6	Claude Opus 4.7	1494 ± 4	61,419	5 / 25
7	Claude Opus 5 High	1493 ± 5	20,030	5 / 25
8	Qwen3.8 Max	1491 ± 8	7,004	2 / 6
9	Gemini 3.7 Flash High	1490 ± 8	5,744	0.75 / 3.57
10	Claude Opus 5 Max	1489 ± 7	9,679	5 / 25

前三名的置信区间明显重叠。1506、1505 和 1502 可以视为同一领先区间，榜单暂时不能证明三者之间存在稳定差距。

Agent Arena 前十

Agent Arena 当前快照来自 8 月 13 日。总排名依据 Net Improvement，表示主控模型对 Agent 表现带来的净提升。工具幻觉率越低越好，其余分项越高越好。

名次	模型配置	净提升	确认成功	可纠偏性	Bash 恢复	API 价格
1	Claude Opus 5 High	12.19 ± 1.45	15.35 ± 3.03	11.34 ± 2.79	13.89 ± 0.79	5 / 25
2	Claude Fable 5 High	12.01 ± 2.57	10.66 ± 4.90	8.84 ± 5.23	14.19 ± 3.71	10 / 50
3	Claude Opus 5 Max	11.95 ± 1.71	17.96 ± 3.18	6.95 ± 3.43	14.38 ± 0.88	5 / 25
4	GPT-5.6 Sol xHigh	10.86 ± 1.80	10.12 ± 3.69	9.23 ± 3.74	10.71 ± 1.27	5 / 30
5	Kimi K3 Max	10.60 ± 1.04	15.55 ± 2.06	7.80 ± 1.91	8.12 ± 0.83	3 / 15
6	Claude Opus 4.8 High	9.78 ± 1.78	9.45 ± 3.10	8.44 ± 3.33	9.29 ± 2.89	5 / 25
7	GPT-5.5 xHigh	8.90 ± 1.03	4.97 ± 2.18	9.17 ± 1.92	14.53 ± 1.25	2.50 / 15
8	Claude Opus 4.7 High	8.17 ± 1.43	6.61 ± 2.95	7.72 ± 2.91	13.09 ± 2.08	5 / 25
9	GPT-5.5 High	7.73 ± 0.97	4.03 ± 2.04	8.59 ± 1.79	13.21 ± 0.97	2.50 / 15
10	Claude Opus 4.7	7.66 ± 1.45	5.45 ± 3.08	9.95 ± 2.87	10.15 ± 2.31	5 / 25

中国模型在三个榜单中的位置

Artificial Analysis

中国名次	全球名次	模型配置	综合指数	API 价格
1	5	Kimi K3 Max	60	3 / 15
2	6	Qwen3.8 Max	58	2 / 6
3	10	DeepSeek V4 Pro 0813 Max	53	当前 0.435 / 0.87
4	11	GLM-5.2 Max	53	1.40 / 4.40
5	14	MiniMax-M3	45	0.30 / 1.20

Arena Text

中国名次	全球名次	模型配置	综合分	API 价格
1	8	Qwen3.8 Max	1491 ± 8	2 / 6
2	12	Kimi K3 Max	1489 ± 6	3 / 15
3	26	Qwen3.7 Max Preview	1474 ± 10	1.48 / 4.42，榜单显示价
4	33	GLM-5.2 Max	1471 ± 5	1.40 / 4.40
5	37	ERNIE 5.1	1468 ± 5	榜单未显示
6	38	MiMo v2.5 Pro	1468 ± 4	0.43 / 0.87
7	51	DeepSeek V4 Pro	1458 ± 4	1.17 / 2.34，榜单参赛版本

Agent Arena

中国名次	全球名次	模型配置	净提升	确认成功	API 价格
1	5	Kimi K3 Max	10.60 ± 1.04	15.55 ± 2.06	3 / 15
2	14	GLM-5.2 Max	6.74 ± 0.90	8.39 ± 1.91	1.40 / 4.40
3	19	DeepSeek V4 Flash High 20260731	4.04 ± 0.81	8.70 ± 1.93	榜单未显示
4	25	Kimi K2.7 Code	1.08 ± 2.15	4.43 ± 4.55	0.47 / 2
5	26	GLM-5.1	0.58 ± 0.82	1.75 ± 1.82	1.40 / 4.40
6	27	Qwen3.7 Max	0.20 ± 0.87	0.34 ± 2.13	榜单未显示
7	28	DeepSeek V4 Pro	0.14 ± 0.88	2.16 ± 2.21	1.74 / 3.48，榜单参赛版本

AA 已经完成 Qwen3.8 和 DeepSeek V4 Pro 0813 的新版本复测。Arena 的参赛版本更新时间不同，表中同名模型不能直接当作同一配置比较。

上榜模型的专长与价格

专长主要依据三个榜单里的分项与排名归纳。它适合缩小候选范围，不能替代自己的业务测试。

模型	榜单里表现较强的方向	API 输入／输出价格	更适合的任务
Claude Opus 5	AA 综合能力、Agent 确认成功与纠偏	5 / 25	复杂研究、长程 Agent、失败代价高的任务
Claude Fable 5	Arena Text 综合、编程和创意写作	10 / 50	高要求写作、编程与综合交付，价格最高
Claude Opus 4.6	文本偏好与指令遵循	5 / 25	长文本、严格格式和通用问答
Claude Opus 4.7	文本偏好、Agent 纠偏和 Bash 恢复	5 / 25	编码 Agent 与多轮修改
Claude Opus 4.8	Agent 用户反馈和工具执行	5 / 25	工具调用、复杂任务代理
GPT-5.6 Sol	AA 综合能力、Agent 执行和编程	5 / 30	编码、终端任务和复杂 Agent
GPT-5.6 Terra	AA 综合分较高，输出速度快于多数深度推理模型	2 / 12	批量分析和速度敏感的推理任务
GPT-5.5	Bash 恢复与 Agent 纠偏	2.50 / 15	编码工具链和需要反复修正的任务
Grok 4.6	AA 综合指数 61，价格低于同分段多数模型	2 / 6	综合推理与成本受限的复杂任务
Kimi K3	AA 开放权重第一、Agent 全球第五、确认成功第二	3 / 15	长程 Agent、编程和需要开放权重的部署
Qwen3.8 Max	Arena Text 全球第八，数学和编程分项靠前	2 / 6	中文问答、数学、编程和通用对话
Muse Spark 1.2	Arena Text 全球第四，价格较低	1.25 / 4.25	通用文本与成本敏感的内容任务
Gemini 3.7 Flash	文本前十、速度与单价较低	0.75 / 3.57	高频问答、实时应用和批处理
DeepSeek V4 Pro 0813	AA 开放权重第三，综合指数 53	当前 0.435 / 0.87	低成本推理、编码和自托管评估
GLM-5.2 Max	AA 53，Agent 全球第十四，输出速度较快	1.40 / 4.40	国产部署、Agent 与高吞吐任务
MiniMax-M3	AA 中国前五中价格最低，多模态输入	0.30 / 1.20	大批量调用、多模态理解和预算敏感场景
MiMo v2.5 Pro	Arena Text 中国前列，价格较低	0.43 / 0.87	通用文本、中文任务和低成本调用

简短建议

复杂研究和高难 Agent 任务，优先实测 Claude Opus 5、GPT-5.6 Sol 和 Kimi K3。中文文本和通用问答，重点比较 Qwen3.8 Max、Kimi K3 与 GLM-5.2。大调用量场景，MiniMax-M3、MiMo v2.5 Pro 和 DeepSeek 更容易控制 token 账单。有内网部署要求时，还要核对权重许可证、显存、推理框架和合规要求。API 排名不能直接换算成私有化部署效果。

主要来源

[Artificial Analysis 当前总榜] (https://artificialanalysis.ai/models/)[Artificial Analysis 评测方法] (https://artificialanalysis.ai/methodology/intelligence-benchmarking)[Arena Text 综合榜] (https://arena.ai/leaderboard/text?rankBy=models)[Arena Text 编程榜] (https://arena.ai/leaderboard/text/coding)[Arena Text 数学榜] (https://arena.ai/leaderboard/text/math)[Agent Arena 榜单] (https://arena.ai/leaderboard/agent?stream=top)[Agent Arena 方法说明] https://arena.ai/blog/agent-arena-methodology)[DeepSeek 官方价格页] (https://api-docs.deepseek.com/quick_start/pricing/)

榜单与价格都会变化。本文数据截点为 2026 年 8 月 16 日。