如果你在 2026 年问「现在最强的通用大模型是谁」，得到的答案会因你打开哪个榜单而完全不同。打开 LMArena（原 Chatbot Arena），榜首是 Anthropic 的 Claude Fable 5，Arena Elo 1507；打开 Artificial Analysis 的 Intelligence Index，9 月 1 日发布的 Claude Fable 5.1 又反超了自己的上一代；再翻静态基准榜单，Humanity’s Last Exam 的第一却是 Gemini 3.1 Pro Preview。三个「权威榜单」，三个第一名。
这并非谁在造假，而是三者衡量的是完全不同的东西。这篇横向对比，就带你把这三大综合榜单的底层机制彻底拆开——它们各自怎么打分、奖励什么、藏着什么盲区，以及当你真正要选一个模型去用的时候，该怎么读懂一个综合分数背后的真实含义。
一、速览卡：2026 三大综合榜单横向对比
| 对比维度 | LMArena（原 Chatbot Arena） | Artificial Analysis Intelligence Index | 静态基准（HLE/GPQA/MMLU-Pro） |
| 打分机制 | 盲测 A/B 投票 → Elo 评分 | 机构自跑 9~10 项标准化评测 → 加权指数 | 固定题目集 → 精确匹配/选择题得分 |
| 测的是什么 | 人类「更喜欢」谁的回答 | 任务完成能力（pass@1） | 固定题目上的准确率 |
| 当前第一 | Claude Fable 5（Elo 1507） | Claude Fable 5.1（Index 66） | Gemini 3.1 Pro Preview（HLE 46.4%） |
| 样本/规模 | 770 万+ 票、389 个模型 | 内部数据集、95% 置信区间 <1 分 | HLE 2500 题、GPQA Diamond 198 题 |
| 最大盲区 | 偏好≠能力，风格可压实质 | 纯文本、纯英文，无人类偏好信号 | 饱和、数据污染、刷分 |
| 一句话定位 | 「大家爱用谁」 | 「谁的任务能力更强」 | 「谁背题背得牢」 |
二、为什么一个综合排名值得你认真看
综合能力榜是大模型行业里最被引用、也最容易被误读的一类数据。几乎所有模型发布，厂商都会在技术报告里放一个「综合分数」；所有选型决策，工程师第一步往往也是「看排名」。但大多数人不知道的是，这些「综合分数」背后是完全不同的机器在运转，它们奖励的东西南辕北辙，把它们放在一起比较，就像把百米成绩和跳高成绩相加一样荒谬。
具体到 2026 年，一个数字能说明问题的严重性。Artificial Analysis 官方自己承认：Claude Opus 5 以 61 分领先 Fable 5 的 60 分，这个 1 分之差恰好落在其 95% 置信区间的边缘——它是真实的、是持续测量的，但它绝不是一道鸿沟。任何把 1 分的 Intelligence Index 领先描述成「碾压」的报道，都没读过它的方法论。反过来，LMArena 上一段 100 分的 Elo 差距，意味着高分模型在正面对决中约有 64% 的胜率；200 分则约 76%。25 分以内的波动基本是噪声。
所以读综合榜单的第一课是：先搞清楚它测的是什么，再决定信它多少。这一篇要做的，就是把三个最主流的综合榜单的机制摊开来讲清楚。
三、LMArena：770 万次盲选投出来的「人气榜」
3.1 机制：盲测投票与 Elo 评分
LMArena 的机制其实非常朴素。你输入一个 prompt，系统会匿名地让两个模型各答一遍，你选出更喜欢的那一个，在揭晓身份之前完成投票。数百万次这样的两两对决被汇总，用 Bradley-Terry 模型（一种配对比较的统计模型，重标定后看起来像国际象棋的 Elo 分）算出每个模型的评分。这个项目 2023 年从 UC Berkeley 的 LMSys 出发，2024–2025 年更名为 LMArena，2026 年 1 月又进一步简称为 Arena。
它的规模相当惊人：文本榜一个就积累了超过 770 万票、覆盖 389 个模型，另外还有智能体（Agent）、Web 开发、视觉、图像生成、搜索等多个独立分榜。这也是它最大的价值——它回答了一个任何客观评测都回答不了的问题：真人到底更愿意用哪个模型。
3.2 2026 年的榜单格局
按 2026 年 8–9 月的快照，文本榜前十大致是这样的格局：Anthropic 的 Claude Fable 5 以 Arena Elo 1507 居首，其后是 Claude Opus 5（1522）、GPT-5.6 Sol（1514）、GPT-5.5（1506）、Kimi K3（1500）、Claude Opus 4.8（1512）、Gemini 3.1 Pro（1505）等。值得注意的一个结构变化是：文本榜上已经有三款模型突破了 1500 这个历史性的 Elo 门槛，而开源模型梯队已经逼近闭源前沿——Moonshot 的 Kimi K3 以开源之身杀进了第一梯队，是少数能在这个纯人气榜上和闭源旗舰掰手腕的开源选手。
一个细节是，LMArena 的排名在实时微调。同一批模型在不同日期的快照里 Elo 会有几分的浮动，这是配对比较系统固有的噪声，不是模型的真实涨跌。
3.3 它最大的软肋：偏好≠能力，且能「刷」
LMArena 被批评最多的一点，是人类偏好和真实能力之间有条裂缝。投票者往往会奖励「自信的格式」——排版工整、语气笃定的回答——哪怕内容并不更准确。这正是榜单后来加了一个「风格控制开关」（style-control toggle）的原因，试图把「好不好看」和「对不对」分开。
更值得警惕的是它的「刷榜」历史。2025 年 4 月，Cohere Labs 和高校合作者发表了一篇题为《The Leaderboard Illusion》的论文，指出 Meta 曾在发布前用 27 个私有 Llama 4 变体在 Arena 上测试、并有选择地披露结果，同时闭源模型被抽样进入对决的次数显著多于开源模型。Arena 官方随后回应，称发布前测试对任何实验室都开放，并质疑了该论文的框架。两份文档都值得一读——在把一次 Arena 排名当作金科玉律之前，你要知道它既测偏好、也可被操纵。
四、Artificial Analysis：最接近「独立测量实验室」的综合指数
4.1 机制：自己跑、pass@1、加权
如果说 LMArena 是「人气票选」，那 Artificial Analysis 的 Intelligence Index 就是最接近「独立测量实验室」的东西。它的核心是机构自己运行每一轮评测，用的是内部持有的数据集副本，而不是厂商自报的数字，所有模型统一设定、统一 pass@1 评分（模型第一次尝试就必须答对，没有 best-of-N 的刷分空间），并且给整个指数估出了 95% 置信区间、误差小于 1 分。这让分数在厂商之间真正可比——这在整个行业里几乎是独一无二的。
版本 v4.1 的组合是九项评测、四大类加权：智能体工作占 34%（其中 GDPval-AA v2 单项就占 20%）、编程 24%、科学推理 24%、通用能力 18%。到了 2026 年 9 月 4 日发布的 v4.2，结构又做了大改：私有/未公开测试集的权重翻倍到 40%，新增了 AA-Briefcase（多周知识工作、上千份源文件的智能体评测，单项权重 15%）和 GDP.pdf（Surge AI 做的长文档推理），同时把 GPQA Diamond 退役了——因为它「饱和」了，前沿模型已经普遍做对，不再能区分彼此。
4.2 榜单格局与一个反直觉的结果
v4.2 的综合榜首是 Claude Fable 5.1（Index 66），其后是 GPT-6 Astra（相对 GPT-5.6 Sol 涨了 4 分）、Claude Opus 5（63）、GPT-5.6 Sol（61）。但最反直觉的是：一个模型可以凭借智能体能力登顶，却未必是最强的纯代码生成器——因为代码只是那个 24% 切片里的一部分。Claude Opus 5 在发布时 Intelligence 61、Coding 78、Agentic 55 三张分榜读数截然不同，就是最好的例子。
它的诚实局限也写得很明白：这套评测是纯文本、纯英文的，而且一个测量出来的指数，丝毫不能告诉你人类到底喜不喜欢这个模型的回答。这也是为什么它和 LMArena 常常「打架」——一个测任务能力，一个测偏好，本来就该有分歧。
五、静态基准：HLE、GPQA、MMLU-Pro 的另一面
第三类综合榜单是静态基准套件，比如 Humanity’s Last Exam（HLE）、GPQA Diamond、MMLU-Pro。它们用固定题目集、精确匹配或选择题打分。HLE 是其中最「硬」的一个——由近千名专家出题、2500 道极难的跨学科题目，当前第一名是 Gemini 3.1 Pro Preview（46.4%），紧随其后的是 GPT-5.4 Pro（44.3%）和 Meta 的 Muse Spark（40.6%）。
静态基准的优点是好复现、好对比，但它的三个通病也越来越明显：饱和（大家都快满分了，分数失去区分度，GPQA Diamond 正是因此被 AA 退役）、污染（题目泄漏进预训练数据，分数虚高）、以及对脚手架（scaffolding）敏感（同一模型换套 prompt 策略分数能差很多）。这也是为什么独立评测机构越来越多地把它们和私有测试集、动态评测混用。
六、关键数据逐字保留：几个你必须记住的数字
下面这些数字来自上文引用的各榜单官方与独立机构的公开数据，逐字保留，供你直接引用比对：
- LMArena 文本榜累计 770 万+ 票、389 个模型；Claude Fable 5 Arena Elo 1507；100 Elo 差距 ≈ 64% 胜率，200 Elo ≈ 76%，25 分以内是噪声。
- Artificial Analysis Intelligence Index v4.2：Claude Fable 5.1 66 分居首，GPT-6 Astra 次之；v4.1 时代 Opus 5 61 vs Fable 5 60，1 分之差在置信区间边缘。
- GDPval-AA v2 的 Elo 锚点：人类专家 = 1000，Claude Opus 5 约 1861，归一化后约 0.68。
- HLE 榜首 Gemini 3.1 Pro Preview 46.4% ±2.0；GPQA Diamond 榜首 GPT-5.4 Pro 94.6% ±1.6。
- DeepSeek V4 Flash 0731 在 AA v4.1 得 50 分，反超自家 V4 Pro (max) 的 44 分。
七、深入一个数字：Elo 到底怎么算出来的
既然两个主流综合榜都绕不开 Elo，这里花一点篇幅把这个「神秘数字」讲透，因为它直接决定了你该怎么读榜单。
Elo 最初是 1960 年代为国际象棋发明的相对评分系统：两个棋手对弈，赢家从输家手里拿走分数，击败一个高分对手比击败一个低分对手拿到的分更多。它没有「绝对质量」，只有一个随胜负关系浮动的相对数字。应用到 AI 评测上，Arena 把「棋手」换成了「模型」，把「对弈」换成了「同一个 prompt 下两个匿名模型的回答，由真人投票定胜负」。这一票，会同时向上或向下微调两个模型的评分。
但要注意，Arena 底层用的其实不是原始的 1960 年代 Elo 公式，而是Bradley-Terry 最大似然估计——一种相关但不同的配对比较统计模型，算完之后再重新标定，让数字看起来、用起来都像 Elo。这个技术细节很重要，因为它意味着「Elo 分」在 AI 榜单里是一个被「翻译」过的量，跨榜单的 Elo（比如 Arena 的 1507 和 GDPval 的 1861）根本不在同一个尺度上，绝不能直接比较。
理解了这一点，前面那张速览卡里的数字你就不会误读了：Claude Fable 5 的 Arena Elo 1507，和 GDPval-AA v2 上 Opus 5 的 1861 Elo，是两套完全不同的锚点（前者锚在「文本偏好对战」，后者锚在「人类专家 = 1000」）。把它们放在一起比大小，是外行才会犯的错误。
八、横向对比：三张榜单为何总是不一致
把三张榜单放在一起，你几乎总能找到「同一个模型三处不同名次」的情况。这不是 bug，而是方法论差异的必然结果。用一个表格把它们的本质区别钉死：
| 问题 | LMArena | Artificial Analysis | 静态基准 |
| 「模型 A 比 B 强」意味着 | 真人更喜欢 A 的回答 | A 在统一任务上 pass@1 更高 | A 在固定题目上答对更多 |
| 会被什么「骗」 | 自信的语气、好看的排版 | 英文/文本外的能力测不到 | 背题、数据污染、饱和 |
| 什么时候该信它 | 选「用起来舒服」的产品 | 选「任务完成率」的工程 | 快速横向扫一眼、找明显短板 |
结论很朴素：信它们的交集。当三张榜单都说一个模型强，那它大概率是真的强；当它们各执一词，那个「分歧点」本身往往才是最有价值的信息——它告诉你这个模型的长板和短板分别在哪儿。
九、局限与争议：综合榜能不能「刷」、该不该信
综合榜的争议从来不少，这里如实列出几条最值得警惕的。
第一，刷榜与选择性披露。《The Leaderboard Illusion》那篇论文已经把 Arena 上的操作空间讲清楚了，而厂商在技术报告里「选择性报对自己有利的基准」更是行业公开的秘密。综合榜一旦成为营销工具，中立性就打折。
第二，版本漂移让「历史第一」变得廉价。Intelligence Index 从 v4 到 v4.1 再到 v4.2，权重和题目一年内变了好几次。同一个模型在不同版本下的分数不可直接跨版本比较，而很多报道根本不标注版本号，这是数据污染的一个隐蔽来源。
第三，综合分的「平均主义」会掩盖偏科。一个「综合 61 分」的模型，可能在代码上 78 分、在某个冷门科目上只有 30 分。只看总分，你既看不到它的杀手锏，也看不到它的致命伤。
第四，中文与多模态的盲区。AA 自己承认只测纯文本纯英文，LMArena 的投票者又高度集中在英语开发者社区。对中文场景、对多模态场景，这些综合榜的参考价值要打一个问号，这也是国内选型时尤其要注意的。
十、总结：怎么真正读懂一个综合分数
回到开头的那个问题——2026 年谁是最强通用模型？诚实的答案是：取决于你问的是「能力」还是「人气」，也取决于你要拿它干什么。
如果只让我给三条可操作的建议，我会这么说：第一，永远先问「这个分数是哪个榜单、哪个版本给的」，跨版本、跨榜单的数字直接相加是错的；第二，综合分只做初筛，最终选型看专项分榜和真实任务——你要写代码，就看 Coding/WebDev 分榜和 SWE-bench，而不是那个笼统的综合指数；第三，把价格、速度、托管方式这些「分数之外的数」一起算进去，一个便宜一半、速度翻倍但综合分低 1 分的模型，在真实工程里常常是更优解。
综合榜是一把有用的尺，但它量的是「别人觉得谁好」，而不是「谁对你最好」。读懂它的机制，你才能不被一个数字牵着走。
参考来源
- LMArena / Arena 官方榜单与机制说明（lmarena.ai）
- Artificial Analysis Intelligence Index v4.1 / v4.2 方法论与榜单（artificialanalysis.ai）
- Opper AI《LLM rankings in 2026: how leaderboards work and which to trust》
- ExplainX《AA Intelligence Index v4.2: Fable 5.1 Leads》
- The Vibefather《What Is the Artificial Analysis Intelligence Index? The 9 Evals Behind the Number》
- Cohere Labs 等《The Leaderboard Illusion》(arXiv, 2025-04)
- LMCouncil / AI Explained 独立基准汇总（lmcouncil.ai）
- DataLearner AI 开源大模型排行榜（datalearner.com）
