综合榜上的第一名可能只有一个，但专项能力榜上，「第一名」有五个、十个甚至更多——因为没有一个模型能在所有专项上都称王。2026 年的现实是：写代码最强的是 Anthropic，做数学竞赛最强的是 OpenAI，啃博士级科学题最强的是 Sakana AI，跑实时编程评测最强的却是 DeepSeek。同一批模型，换一个专项榜单，名次就天翻地覆。
这正是专项能力榜的价值所在：它不像综合榜那样把一堆能力搅成一个平均分，而是把「代码」「数学」「推理」「科学」「多模态」拆开，让你看清每个模型真正的杀手锏和致命伤。这篇横向对比，就带你逐个拆解 2026 年五大专项赛道的第一梯队，以及每个「第一」背后藏着的争议。
一、速览卡：2026 五大专项榜首一览
| 专项赛道 | 代表基准 | 当前第一（分数） | 值得关注的第二名 |
| 代码生成 | SWE-bench Verified | Claude Fable 5（95%） | Claude Opus 4.8（88.6%） |
| 实时编程 | LiveCodeBench | DeepSeek V4 Pro（93.5%） | Sakana Fugu Ultra（93.2%） |
| 数学竞赛 | AIME 2025 | Claude Sonnet 4.6（95.6%） | GPT-5（94.6%） |
| 博士科学 | GPQA Diamond | Sakana Fugu Ultra（95.5%） | Claude Opus 4.8 / GPT-5.5（93.6%） |
| 多模态理解 | MMMU | GPT-5（84.2%） | o3（82.9%） |
| 研究级数学 | FrontierMath T1-3 | GPT-5.5 Pro（87.7%） | Claude Fable 5（87.0%） |
二、为什么专项榜比综合榜更「有用」
选模型这件事，几乎没有人是真的「需要一个全能的模型」。工程师选模型，是为了写代码；研究员选模型，是为了啃论文里的数学；产品经理选模型，是为了让它看懂一张复杂的图表。而综合榜的最大问题恰恰是——它用一个平均分把这些截然不同的需求糊在了一起。
一个典型的例子：Artificial Analysis 的 Intelligence Index 里，智能体（Agents）一项就占 34% 的权重，代码只占 24%。这意味着一个靠「专业知识工作和银行智能体任务」登顶的模型，未必是写代码最强的那个。只看综合分，你会错过「DeepSeek V4 Pro 在 LiveCodeBench 上 93.5% 登顶」这种真正对你有用的信息。
所以专项榜的正确用法是：先想清楚你的任务属于哪条赛道，再看那条赛道的专项榜，最后用综合榜做交叉验证。这一篇按赛道逐个来。
三、代码赛道：SWE-bench 与 LiveCodeBench 的「两个第一」
3.1 SWE-bench Verified：修复真实 GitHub issue
SWE-bench 是现在最受认可的「真实编程」基准之一。它从真实的 GitHub issue 里取 500 道题（Verified 子集经过人工标注），要求模型读懂一个 Python 仓库、定位需要修改的文件、生成一个能通过单元测试的补丁。这不是「写一段算法」的玩具题，而是接近真实工程师日常的「修 bug」工作。
2026 年 8 月的榜首是 Claude Fable 5，SWE-bench Verified 95%，其后是 Claude Opus 4.8（88.6%）、DeepSeek V4 Pro（80.6%）、Claude Sonnet 4.6（79.6%）。Anthropic 在 SWE-bench 这条赛道上形成了断层式领先——前两名都是它的模型，而 Fable 5 的 95% 也刷新了这条基准的历史记录。值得一提的是，DeepSeek V4 Pro 以开源之身拿到 80.6% 杀进前三，是开源模型在真实代码修复上的一个重要突破。
3.2 LiveCodeBench：防污染的实时编程
但换到 LiveCodeBench，第一名就换了人。LiveCodeBench 是一个「防污染」的编程基准——它持续从 LeetCode、AtCoder、Codeforces 等竞赛平台收集新题，并标注发布时间，只评测「模型训练截止日期之后才出现」的题目。这意味着模型没法靠「背题」拿分，考的是真实的代码生成能力。
在这条更「硬」的赛道上，DeepSeek V4 Pro 以 93.5% 登顶，Sakana Fugu Ultra 以 93.2% 紧随其后，DeepSeek V4 Flash 91.6% 排在第三。这里出现了一个很有意思的现象：SWE-bench 的王者 Claude 反而在 LiveCodeBench 前十名之外。两条都是「编程」基准，结论却几乎相反——这恰恰说明，「修 bug」和「竞赛刷题」是两种不同的代码能力，一个模型可以极擅长前者、却不擅长后者。
3.3 代码赛道的结论
把两条基准合起来看，2026 年代码能力的真实格局是：真实工程修复（SWE-bench）Anthropic 断层领先，实时竞赛编程（LiveCodeBench）DeepSeek 登顶。而 felloai 的月度横评又补充了第三个视角——在 LMArena 的 WebDev 投票榜上，Kimi K3 以 1682 分领跑，靠的是「人投票觉得它做的网页最好」。三个榜单、三个第一名，谁更该信，取决于你到底要「修 bug」「刷题」还是「做网页」。
四、数学赛道：AIME 与 FrontierMath 的两个难度档
4.1 AIME 2025：竞赛数学的「基础卷」
AIME（美国数学邀请赛）是高中数学竞赛里公认的硬骨头，也是大模型数学能力的常用标尺。2026 年的 AIME 2025 榜首是 Claude Sonnet 4.6，95.6%，GPT-5 以 94.6% 紧随其后，Grok 3 93.3%、o4-mini 92.7% 分列三四。值得注意的是，登顶的不是各家最贵的旗舰，而是 Anthropic 的「中杯」Sonnet 4.6——这在数学赛道并不罕见，因为竞赛数学考的是推理路径的稳定性，而不是参数规模。
4.2 FrontierMath：研究级的「地狱卷」
如果 AIME 是「基础卷」，那 FrontierMath 就是「地狱卷」。这是 Epoch AI 维护的一组未公开的、由专家编写的数学题，覆盖从高年级本科到早期研究级的难度，模型无法背题。2026 年 6 月发布的 v2 版本里，Tier 1-3（较易三档）的榜首是 GPT-5.5 Pro，87.7%，Claude Fable 5 以 87.0% 紧随其后；而最难的研究级 Tier 4，榜首变成了 Claude Fable 5，87.8%，GPT-5.5 Pro 掉到 78.0%。
这里有个值得玩味的反转：题目越难，领先者越不确定。GPT-5.5 Pro 在「较难但尚可解」的题目上更强，而 Claude Fable 5 在「研究级」的终极难题上反超。这再次印证了专项榜的一个核心规律——不同难度档位，第一名可能完全不同。
五、科学推理赛道：GPQA Diamond 的「博士生考试」
GPQA Diamond 是一组 198 道博士级的生物、化学、物理选择题，它的「Diamond」子集只保留那些「领域专家答对、非专家却答错」的题，随机猜的得分仅约 25%，是衡量「模型到底懂不懂硬科学」的黄金标准。
2026 年的榜首是一个相对冷门的名字——Sakana AI 的 Fugu Ultra，以 95.5% 登顶 GPQA Diamond，压过了 Claude Opus 4.8（93.6%）和 GPT-5.5（93.6%）。这个结果本身就很有信息量：一家规模远小于 Anthropic、OpenAI 的日本实验室，能在「博士科学」这条硬核赛道上登顶，说明科学推理这个能力的竞争格局，远没有综合榜看起来那么稳固。
不过要提醒的是，GPQA Diamond 正在「饱和」。Artificial Analysis 已经在 2026 年 9 月的 v4.2 里把它退役了，理由是前沿模型普遍做对、不再能区分彼此。所以这条赛道的第一名，含金量正在被它自己的「太简单」所稀释。
六、多模态与智能体赛道：GPT 与 Gemini 的地盘
多模态理解（MMMU，考察图文综合理解）这条赛道上，GPT-5 以 84.2% 居首，o3（82.9%）、Gemini 2.5 Pro（81.7%）、o4-mini（81.6%）紧随其后。OpenAI 在多模态理解上保持着微弱但稳定的领先。这条基准考察的是模型「看图 + 读文字 + 综合推理」的能力，比如给一张医学影像配一段说明，让模型判断诊断方向；或者给一份带图表的财报，让它提取关键结论。对做文档分析、电商图文、医疗辅助的人来说，MMMU 比代码或数学基准更有参考价值。
而「智能体（Agent）」这个 2026 年最热的赛道，独立评测给出的答案又不一样。在 METR Time Horizons（衡量模型能独立完成多久时长的真人任务、以 50% 成功率为界）上，Claude Mythos Preview 以 1044.8 分钟居首，几乎是第二名 Claude Opus 4.6（718.8 分钟）的 1.5 倍。这条基准的价值在于，它不问你「会不会答一道题」，而是问你「能扛住多长的连续工作」——这对 2026 年越来越火热的智能体应用，才是最关键的指标。
智能体赛道的另一条热门基准是 Terminal-Bench，它让模型在真实的终端环境里自主完成「编译代码、训练模型、搭服务器、系统管理、安全任务」这类端到端的操作，考察的是模型的「工具使用 + 多步规划」能力。2026 年 8 月这条基准上的一个焦点是 Grok 4.6——它在 Terminal-Bench v2.1 上达到 88.4%，并且以约为 Opus 5 一半的轮次完成长时智能体任务，成为「性价比智能体」的黑马。智能体赛道之所以值得单独盯，是因为它测的是「模型能不能真的替你干活」，而不是「会不会答题」，这更接近未来 AI 应用的真实形态。
七、专项榜怎么读：几个关键技巧
专项榜虽然比综合榜「有用」，但它也有读法上的讲究。这里给几条实战技巧。
第一，同一赛道要多看几条基准、交叉验证。代码能力看 SWE-bench 和 LiveCodeBench 会得出相反的结论，只有把两条都看了，你才知道一个模型到底是「工程修复强」还是「竞赛刷题强」。只看一条，等于只看到了一半真相。
第二，分清「厂商自报」和「独立评测」。Meta 的 Muse Spark 1.3 在自家图表上编码「全胜」，但那些是仅合作伙伴可调用的 max 变体数字，通用版在独立评测上只有 61 分。LMCouncil 这类聚合站的价值，就在于它只收独立机构（Epoch、Scale）的数据，帮你把「厂商自报」这一层噪音滤掉。
第三，关注基准的「饱和」信号。当一个专项基准的榜首分数接近天花板、且前几名挤在一起分不开时（GPQA Diamond 就是典型），说明这条基准已经快「不够用了」，它的排名区分度在下降。这时候与其纠结 93.6% 和 93.4% 谁高，不如去看下一个更难、更新的基准。
第四，把「难度档」和「版本」也考虑进去。FrontierMath 的 Tier 1-3 和 Tier 4，第一分别是 GPT-5.5 Pro 和 Claude Fable 5；AIME 的 2025 版和更早版本，榜首也不同。引用一个「第一」之前，先确认它对应的是哪个难度、哪个版本、哪个脚手架。
八、横向对比：谁是真正的「专项之王」
把所有专项榜放在一张表里看，一个清晰的格局浮现出来：
| 赛道 | 王者（机构） | 一句话点评 |
| 真实代码修复 | Claude Fable 5（Anthropic） | SWE-bench 断层第一，工程修复无出其右 |
| 实时竞赛编程 | DeepSeek V4 Pro（DeepSeek） | 防污染基准登顶，开源之光 |
| 竞赛数学 | Claude Sonnet 4.6（Anthropic） | 「中杯」反超旗舰，性价比惊人 |
| 研究级数学 | GPT-5.5 Pro / Claude Fable 5（OpenAI/Anthropic） | 难度越高，冠军越不稳 |
| 博士科学 | Sakana Fugu Ultra（Sakana AI） | 小厂逆袭，但基准已趋饱和 |
| 多模态理解 | GPT-5（OpenAI） | 微弱但稳定领先 |
| 长时智能体 | Claude Mythos Preview（Anthropic） | 耐力第一，Agent 时代的关键指标 |
结论非常清楚：Anthropic 是「工程与耐力」的王者，DeepSeek 是「实时编程与开源」的王者，OpenAI 是「数学与多模态」的均衡强者，而 Sakana 这样的小厂也能在单点上完成逆袭。没有一个模型能通吃所有专项，这正是专项榜存在的意义。
九、局限与争议：专项第一的「水分」从哪来
专项榜同样有它的坑，这里如实列出。
第一，厂商自报 vs 独立评测的落差。最典型的例子是 Meta 的 Muse Spark 1.3——它在 Meta 自己发布的图表上「三项编码全胜」，但那些数字是「仅合作伙伴可调用的 max 变体」的，通用版在独立评测的 Intelligence Index 上只有 61 分（对 Opus 5 的 63），且 Arena 尚未给它投票。任何「厂商自报第一」都要打一个问号，独立评测（如 LMCouncil 汇总的 Epoch、Scale 等机构数据）才是更可信的参照。
第二，饱和与污染。GPQA Diamond 已经饱和到被退役，而任何公开基准都有被「背题」的风险。专项榜的分数，永远要结合「这个基准是不是已经不够用了」来判断。
第三，版本与脚手架敏感。同一个模型，换一套 prompt 策略（scaffolding），在 AIME 或 FrontierMath 上的分数能差出一大截。很多「第一」其实是「某套脚手架下的第一」，脱离那个条件就不成立。
十、总结：按你的任务，选对的专项王者
专项能力榜给我们的最终启示，其实是一句大白话：别问「谁是最强模型」，要问「谁最强地做我这件事」。
如果你的工作是写代码、修 bug、做真实工程，Anthropic 的 Claude 系列是当前最稳的选择；如果你要跑实时竞赛编程、又要开源可控，DeepSeek V4 Pro 是性价比和能力的双重惊喜；如果你啃的是数学和科学研究，OpenAI 的 GPT-5.5 Pro 和 Claude Fable 5 在难题上互有胜负，值得各自试一遍；而如果你开始做智能体、关注模型的「长时耐力」，那 METR 时间线这条新基准，比任何传统分数都更值得你盯紧。
专项榜的价值，正在于它逼你把「选模型」这件事，从「看一个数字」还原成「想清楚一个任务」。想清楚了，第一是谁，你自己心里就有数了。
参考来源
- AY Automate《LLM Leaderboard 2026: Benchmarks, Speed & Price》（SWE-bench / AIME / GPQA / LiveCodeBench / MMMU 榜首）
- LMCouncil / AI Explained《AI Model Benchmarks Jul 2026》（HLE / GPQA / FrontierMath / METR）
- CompareLLM 持续实测榜单（comparellm.ai）
- Fello AI《Best AI Models in 2026》及《When to Use Which AI》（WebDev / 编码王者分析）
- Artificial Analysis Intelligence Index 方法论（v4.1 / v4.2）
- LLM Stats 基准页（SWE-bench Verified / LiveCodeBench / GPQA 分榜）
