---

写在前面：为什么需要一张「地图」

过去三年，AI 模型几乎每周都在换名字、加版本号、刷榜、降价、开源或闭源。大家打开社交媒体，看到的往往是：

• 「某某模型登顶」
• 「参数量再创新高」
• 「开源碾压闭源 / 闭源碾压开源」
• 一张截图里的排行榜，旁边配一句「终局已定」

这些信息并不全是假的，但它们通常缺一张地图。没有地图，很容易把「某次评测第一」理解成「全面最强」，把「参数更大」理解成「一定更聪明」，把「开源」理解成「一定落后」。

这篇文章的目标很明确：

1. 一张行业总览地图：先知道有哪些层、哪些赛道、哪些玩家；
2. 做一次冷静科普：从 ChatGPT 爆发讲到现在，过往从简，当下讲清结构；
3. 建立一点对榜单的清醒感：知道榜单是什么、测什么、别被洗脑。

本文不做个人推荐，也不给「该买哪家」的决策树。重点是：把乱成一团的名字，收成一张能继续更新认知的骨架。

---

先破两个常见误解

误解一：「参数越大越好」

参数量（Parameter Count）曾经是最容易传播的指标：70B、405B、万亿级……听起来像手机里的「跑分」。

但到了 2025–2026，这个指标已经明显失效，原因至少有四条：

1. 有效参数 ≠ 总参数

2. 训练数据、训练方法、后训练（post-training）往往比参数量更决定体验

3. 推理时算力（test-time compute）改变了游戏规则

4. 产品形态在重新分配能力

一句话：参数量是成本与架构的线索，不是智商排名。

误解二：「开源一定落后闭源」

更准确的说法应拆成三层：

概念	含义	常见例子
闭源 API 模型	只能调用，看不到权重	GPT、Claude、Gemini 主流产品线
开放权重（open weights）	可下载权重，许可可能有限制	Llama、部分 Qwen、部分 Mistral
更接近「开源」的发布	权重 + 较宽松许可 + 可复现训练信息不等	DeepSeek 部分代际、部分 Apache/MIT 模型

事实是：从 2024 年底到 2026 年中，开放权重模型多次逼近甚至在局部赛道追平闭源前沿——尤其是性价比、可自托管、可二次微调、可做私有化部署这些维度。闭源仍然常在「最难任务的绝对上限、产品化工具链、安全策略与企业 SLA」上占优，但这不是「开源永远落后」的简单叙事。

更清醒的表述是：

闭源与开放权重在不同目标函数上竞争：绝对能力、成本、可控性、合规、生态。
榜单上接近，不代表产品上可互换；产品上可互换，不代表合规与运维成本相同。

---

一、总览地图：先把坐标系立起来

读 AI 模型，建议同时用四张「坐标系」，而不是只记名字。

1. 按「在买什么」分层

┌─────────────────────────────────────────────┐
│  应用层：Chat 产品 / IDE 插件 / Agent 产品   │
├─────────────────────────────────────────────┤
│  能力层：推理、工具调用、多模态、长上下文     │
├─────────────────────────────────────────────┤
│  模型层：底座 LLM / 专用模型 / 生成模型       │
├─────────────────────────────────────────────┤
│  基础设施：芯片、集群、推理引擎、路由与缓存   │
└─────────────────────────────────────────────┘

多数人争论的是「模型层谁第一」，真正影响体验的，往往是应用层 + 工具链 + 价格/延迟策略。

2. 按「能力赛道」分图

赛道	你在问的问题	典型玩家（全球，示意）
通用对话 / 旗舰 LLM	写、聊、总结、办公、综合问答	OpenAI、Anthropic、Google、xAI、各大开放权重厂商
推理 / 深度思考	数学、科学、复杂规划	各家 reasoning / thinking 模式
代码与软件工程 Agent	改仓库、修 bug、长期编码	Anthropic、OpenAI、Google、DeepSeek、Kimi、Qwen 等
多模态理解	看图、看视频、听音频、读长文档	Gemini 系尤为强调原生多模态；各家亦跟进
图像生成	文生图、图生图、风格与可控性	Midjourney、Flux、Ideogram、各家图像模型
视频生成	文生视频、图生视频、镜头控制	Veo、Runway、Kling、Sora 等
语音	TTS / ASR / 实时对话	OpenAI、Google、ElevenLabs 等生态
嵌入与检索	搜索、RAG、语义匹配	各家 embedding 模型 + 向量库
小模型 / 端侧	本地、隐私、离线、低成本	Gemma、Phi、Qwen 小尺寸、Llama 小尺寸等

3. 按「公司角色」分图

大致可分成几类（有重叠）：

• 闭源前沿实验室：OpenAI、Anthropic、Google DeepMind、xAI
• 开放权重推动者：Meta（Llama）、Mistral、DeepSeek、阿里（Qwen）、月之暗面（Kimi）、智谱（GLM）等
• 云与分发平台：把别人的模型托管起来卖推理（各大云、聚合 API）
• 垂直/工具公司：IDE Agent、搜索增强、视频剪辑工作流等——它们不一定训练最强底座，但决定用户每天摸到什么

4. 按「时间阶段」分图

阶段	大致时间	关键词
爆发期	2022 末–2023	ChatGPT、GPT-4、第一波竞品
扩容与对齐期	2023–2024 中	更长上下文、多模态、指令跟随、开源追赶
推理浪潮	2024 末–2025	o1 / R1 / thinking，测试时算力
收敛与产品化	2025–2026	前沿分差缩小；拼成本、Agent、可靠性、工具生态

斯坦福 AI Index 等公开观察也指向同一趋势：
顶尖模型在人类偏好 Arena 上的分差显著收窄，竞争重心转向成本、延迟、可靠性与垂直场景。

---

二、简史：从 GPT-3.5 / ChatGPT 到现在

过往不必逐代背诵，抓住「每一波真正改变大众认知的事」即可。

2022 年末–2023：对话把 AI 变成日常产品

• ChatGPT（基于 GPT-3.5） 让「和大模型聊天」一夜成为全球习惯。
• GPT-4（2023） 把能力上限明显抬高，同时催生了插件、浏览、代码解释器等「模型 + 工具」雏形。
• Google、Anthropic、Meta 等加速跟进；Llama 2 等开放权重模型让「自己部署」成为开发者日常话题。
• Midjourney、Stable Diffusion 等则在图像生成赛道同步爆发，证明「生成式 AI」不只是聊天。

这一阶段的公众叙事是：突然变聪明了，而且人人可用。

2023–2024：比谁更全能——上下文、多模态、生态

竞争主线变成：

• 更长的上下文（从几 K 到 100K+）
• 更好的指令跟随与拒答策略
• 视觉输入成为标配
• API 生态、企业版、价格战开始成形
• 开源侧出现 Mixtral、Llama 3、Qwen2 等一波「够用且可本地」的选择

这一阶段的公众叙事是：模型在变「产品」，而不只是 Demo。

2024 末–2025：推理模型改变「聪明」的定义

以 OpenAI o1 为代表的推理模型公开后，行业共识发生偏移：

• 不再只追求「秒回」；
• 允许模型在内部多步思考（chain-of-thought / reasoning tokens）；
• 数学、编程竞赛、科学问答等难题分数快速上升；
• DeepSeek-R1 等开放权重推理模型证明：这条路并非闭源专属。

几乎同一时期，Agent / 编程助手从演示走向日用：模型开始更频繁地读文件、跑命令、改仓库、调用工具。能力评测也从「答题」转向 SWE-bench 这类「修真实软件问题」。

这一阶段的公众叙事是：会想、会干活，比会聊天更值钱。

2025–2026：前沿扎堆，赛道分化，榜单更碎

到 2026 年中，一个很醒目的现象是：

• 头部闭源模型在综合人类偏好上彼此接近；
• 「谁全面第一」越来越难回答，也越来越不重要；
• 真正拉开差距的是：编码 Agent、原生多模态、超长上下文、价格、速度、开放权重可下载性、企业合规；
• 图像与视频生成继续高速迭代，和工作流（关键帧→图生视频→后期）绑定更紧。

这一阶段的公众叙事应调整为：

别找唯一冠军。找「关心的赛道上，谁在优化什么」。

---

三、主要玩家

下面按全球主流玩家做演进史式梳理。只记「家族与定位」，具体小版本号会继续变。

OpenAI：从 ChatGPT 到「通用 Agent 操作系统」

演进主线（极简）：

1. GPT-3.5 / ChatGPT → 大众入口
2. GPT-4 / 4o → 多模态与日用体验
3. o1 / o3 系列 → 独立推理产品线
4. GPT-5 世代 → 把「对话能力」与「可调节推理」逐步统一进同一产品家族
5. 2026 年前后的旗舰代际（如公开讨论中的 GPT-5.x 系列）→ 更强调工具面、Agent、分层价位（旗舰 / 主力 / 高吞吐）

看 OpenAI，关键不只看「最强一档」，而要看：

• 同一家族里是否有清晰的能力/价格阶梯；
• Responses / 工具调用 / 代码执行 / 计算机使用等运行时能力；
• ChatGPT 消费端与 API 企业端是否同一套语义。

OpenAI 长期优势往往在：生态广度、默认心智占有率、把新能力产品化的速度。它不一定在每一个细分榜单永远第一，但很难被忽视。

Anthropic：从「更稳的对话」到「编码与严肃工作」

Claude 系列常见分层逻辑是：

• Opus：最强档，偏向难推理、难编码、长程任务
• Sonnet：主力工作马，平衡质量与成本
• Haiku：轻量高吞吐

演进上，Anthropic 早期以写作质量、拒答与安全风格被记住；2025 前后则在软件工程 Agent叙事上非常突出——模型能力与「能在终端里干活的产品形态」绑定。

到 2026 年，外界讨论里还出现了更多品牌名（例如公开评测中常见的 Fable / Mythos 等代际称呼）。对读者更重要的是：

Anthropic 经常提醒一件事：目录上的「旗舰名」不一定等于「该默认调用的模型」。定价、数据保留策略、安全路由、实际评测，都会让「名义最强」和「实用最强」分开。

Google DeepMind：原生多模态与长上下文的强势叙事

Gemini 系列的演进关键词通常是：

• 与搜索、Workspace、Android、云（Vertex）深度绑定；
• 原生多模态（文本 / 图像 / 音频 / 视频同请求处理）作为差异化；
• 长上下文（百万 token 量级成为卖点）服务「整库文档 / 长视频理解」；
• Flash / Pro 等分层：有时「Flash」反而成为性价比与速度上的主力。

Google 的故事不太适合用「纯聊天谁第一」概括，更适合用：

当任务天然带着多媒体与海量上下文时，Gemini 系经常进入候选第一梯队。

xAI：快速逼近前沿集群的后来者

Grok 系列从「有个性的聊天机器人」逐步走到与前沿模型同台竞争。2026 年公开讨论中，Grok 在部分 Agent / 终端任务 相关指数上表现抢眼，并强调与 X（社交信息流）检索等产品差异。

主要在于：能力是否进入前沿扎堆区；API / 消费端可用性是否一致；上下文长度相关的计价悬崖

Meta：开放权重生态的「基础设施型」玩家

Llama 系列的意义，常常超过「榜单第几」：

• 降低研究与创业的起点；
• 催生无数微调、蒸馏、本地部署方案；
• Llama 4 世代进一步强调多模态与超长上下文（公开材料中 Scout 等变体以极端上下文著称）。

注意术语：业界越来越谨慎地区分 open source 与 open weights。Llama 的许可通常带有使用条件，不等于 OSI 意义上的完全开源。

中国与亚洲的重要开放力量

以下并非完整名单，而是「地图上必须有点」的代表：

厂商	常见系列	常被提到的角色
DeepSeek	V3 / R1 / V4 等	高性价比、强推理/编码、权重可获取（具体许可看代际）
阿里（Qwen）	Qwen2 / Qwen3 / 3.x	开放权重非常活跃；编码与多语言；另有 Max 等 API 档
月之暗面	Kimi 系列	长上下文起家，后续在编码等赛道强势表现
智谱	GLM 系列	开放权重与国内生态
快手等	Kling 等	视频生成赛道的全球竞争者
其他	MiniMax、百川、零一等	不同时期在开放或 API 市场占位

欧洲及其他：Mistral 等

Mistral 常被视为欧洲开放权重代表：强调许可友好、部署效率、数据驻留叙事。它未必永远占据「最强开放模型」标题，但在「可商用、可落地、区域合规」地图上很重要。

---

四、分赛道深挖

下表列的是各赛道当前公开讨论中的主流/最新代表（约 2026 年 8 月），不是永久排名。同公司常有旗舰 / 主力 / 高吞吐多档，表中尽量写清。

1. 通用对话与旗舰 LLM

这是大众最熟悉的赛道：聊天、写作、翻译、总结、头脑风暴。

2026 年的现实：

• 顶尖闭源模型综合体验接近，差异更多体现在文风、拒答、工具整合、记忆与产品包装；
• 「旗舰」常被拆成多档：最强、默认可调用、便宜高吞吐；
• 长上下文成为标配宣传点，但有效利用长上下文（检索质量、注意力、费用）比「支持多长」更关键。

当前代表性模型（闭源 / API 为主）：

公司	最新/主力代表	备注
OpenAI	GPT-5.6 Sol / Terra / Luna	旗舰—主力—高吞吐三档；综合对话与工具面很强
Anthropic	Claude Fable 5、Claude Opus 5、Claude Sonnet 5	Fable 为名义旗舰；Opus 常被当作难任务实用最强；Sonnet 是工作马
Google DeepMind	Gemini 3.7 Flash、Gemini 3.1 / 3.5 Pro	Flash 常成速度与性价比主力；Pro 偏深度多模态/长上下文
xAI	Grok 4.6	进入前沿扎堆区；强调实时检索与 Agent 能力
DeepSeek	DeepSeek V4 Pro / V4 Flash	API 极强性价比；同时有开放权重
阿里（通义）	Qwen3.8 Max（API）	闭源 Max 档与开放权重编号版并存
月之暗面	Kimi K3	长上下文起家，综合与编码都很强
Mistral	Mistral Large 3 等	欧洲代表；许可与数据驻留叙事突出

---

2. 推理模型（Reasoning / Thinking）

推理模型的核心不是「更会说话」，而是：

在答题前，愿意花更多计算做多步搜索、验算、自我纠正。

简要演进：

• 2024：o1 等让公众看见「慢思考」的价值；
• 2025：o3、各家 thinking 模式、DeepSeek-R1 等把推理能力扩散到开放权重与更多产品；
• 2025–2026：推理能力逐渐「嵌回」通用旗舰，用户侧常见为「低/中/高思考力度」开关，而不是永远单独一个 App。

代价也很真实：

• 更贵（输出里可能含大量推理 token）；
• 更慢（首个可见答案延迟上升）；
• 对简单任务可能「想太多」。

因此，推理不是默认全开的功能，而是难题开关。

当前代表性模型 / 模式：

公司	最新/主力代表	备注
OpenAI	GPT-5.6（可调推理力度）；历史线 o1 → o3 / o4-mini	推理已并入旗舰家族，不再只靠独立 o 系列 App
Anthropic	Claude Opus 5 / Fable 5（adaptive thinking）	高思考档偏难推理与长程任务
Google DeepMind	Gemini「Deep Think」/ High 推理档（如 3.x Pro / Flash High）	与长上下文、多模态任务常一起用
xAI	Grok 4.6（low / medium / high / xhigh）	推理档位常开，延迟与成本需一并看
DeepSeek	DeepSeek V4 Pro（low / high / max）；历史里程碑 R1	开放权重侧推理浪潮的关键推手
阿里（通义）	Qwen3.x Thinking / Qwen3.8 思维模式	开源与 API 均常见 thinking 变体
月之暗面	Kimi K3（推理/Agent 向）	在难题与 Agent 评测中存在感强

---

3. 代码、工具调用与 Agent

如果说 2023 的关键词是 Chat，2025–2026 的关键词之一就是 Agentic coding（能动起来的编码）。

关注点从 HumanEval 这类「写函数」转向：

• 在真实仓库里定位问题；
• 多文件修改；
• 跑测试、读报错、迭代修复；
• 长时间保持任务目标。

对应评测常见：SWE-bench（及 Verified / Pro 等变体）、Terminal-Bench、各类 Live coding / Frontend Arena。

这个赛道的关键认知：

成绩高度依赖「模型 + 脚手架（harness）」。
同一模型配不同 Agent 框架，分数可以差一截。
所以厂商演示、第三方榜、你自己的 IDE 插件，三者不必一致。

当前代表性模型（模型层，不含具体 IDE 产品名）：

公司	最新/主力代表	备注
Anthropic	Claude Opus 5、Claude Fable 5、Claude Sonnet 5	软件工程 / 长程修仓叙事很强
OpenAI	GPT-5.6 Sol（及工具/Responses 面）	Agent 链路、终端与工具调用综合突出
xAI	Grok 4.6	部分 Agentic / Terminal 指数上表现抢眼
Google DeepMind	Gemini 3.7 Flash / 3.x Pro	文档型 Agent、工具与搜索接地常见
DeepSeek	DeepSeek V4 Pro	开放权重 + 编码/Agent 性价比常被点名
月之暗面	Kimi K3（含 Coding 向讨论）	开放权重编码赛道热门
阿里（通义）	Qwen3.8 / Qwen3.6 编码向变体	开源编码与 Agent 任务活跃
智谱	GLM-5.x	开放权重编码候选之一

---

4. 多模态理解（看、听、读长材料）

这里要区分两类能力：

1. 理解型多模态：输入图像/音频/视频，输出文本分析；
2. 生成型多模态：输出图像、视频、语音（见后文）。

Google Gemini 系长期把「原生多模态 + 长上下文」当作主叙事；OpenAI、Anthropic 等也在视觉理解与文档理解上持续加码。实际使用中，瓶颈经常不是「能不能看图」，而是：

• 图表数字是否读准；
• 长 PDF 是否真的「读完」而不是局部抽样；
• 视频时序事件是否稳定。

当前代表性模型：

公司	最新/主力代表	备注
Google DeepMind	Gemini 3.7 Flash、Gemini 3.1 / 3.5 Pro	原生多模态 + 超长上下文的标杆叙事
OpenAI	GPT-5.6 系列（视觉输入）	图文理解与工具链结合紧
Anthropic	Claude Opus 5 / Fable 5 / Sonnet 5（读图）	文档、图表、长材料理解强
xAI	Grok 4.6（图文）	多模态输入 + 实时信息产品差异
阿里（通义）	Qwen3.5 / 3.8 VL 等	开放权重视觉—语言活跃
月之暗面	Kimi K3（文/图/视频理解向）	长材料与多模态理解并存
Meta	Llama 4（Scout / Maverick 等）	原生多模态开放权重

---

5. 图像生成

图像赛道相对独立，用户心智也更接近「创意工具」而非「智商榜」。

当前代表性模型：

公司	最新/主力代表	备注
OpenAI	GPT Image 2（/ 2.0）	综合遵循、文字渲染、多轮编辑讨论多
Midjourney	Midjourney V8.x（如 V8.1 / V8.2）	美学与风格辨识度标杆；偏平台封闭
Black Forest Labs	FLUX.2（Pro / Flex / Max / Dev / Klein）	API + 部分开放权重；写实与可控强
Google	Imagen 4；Gemini 图像能力（如 Nano Banana 等产品名）	产品照片、干净合成常见
Ideogram	Ideogram 4.0	海报/排版文字见长
Recraft	Recraft V4.x	设计向、矢量/品牌风格
Stability AI	Stable Diffusion 3.5 等	开源工作流与本地生态
字节等	Seedream 4.x 等	多语文字与商业设计向讨论多

---

6. 视频生成

视频比图像难一个数量级：要处理时间一致性、运动物理、镜头语言，越来越多模型还要处理同步音频。

专业工作流越来越不像「一句提示出片」，而像：

关键帧（图像模型）→ 图生视频 → 镜头延长/编辑 → 超分与调色 → 对口型/配音

当前代表性模型：

公司	最新/主力代表	备注
Google DeepMind	Veo 3.1（及 Veo 3）	画质、物理、原生音频常被点名
Runway	Gen-4 / Gen-4.5	创作者控制、镜头与制作工作流
快手	Kling 3.0（及 Omni 等）	时长、运动、口型等存在感强
OpenAI	Sora 2	世界一致性/叙事影响大；产品可用性以官方为准
Luma	Dream Machine / Ray 系	图生视频与快速迭代常见
Pika	Pika 2.x	短视频与社交向
腾讯等	Hunyuan Video 等	开放/可部署视频权重生态之一
阿里等	Wan 等	开源视频工作流常见选项
MiniMax 等	Hailuo 等	运动与人像向讨论多

---

7. 语音

语音赛道可拆成：

• ASR：语音转文字；
• TTS：文字转语音；
• 实时语音对话：低延迟双工（边听边说）。

它经常作为大模型产品的「接口层」存在：模型可以一般聪明，但语音体验差，产品仍会输。反之，语音体验好，能显著放大一个中等模型的日活。

当前代表性模型 / 服务：

公司	最新/主力代表	类型	备注
OpenAI	GPT Realtime / ChatGPT Voice；OpenAI TTS；Whisper	实时对话 / TTS / ASR	消费端语音入口心智强
Google	Chirp / Cloud STT；Gemini Live；Cloud TTS	ASR / 实时 / TTS	与 Gemini、安卓生态绑定
ElevenLabs	ElevenLabs TTS / 多语语音模型	TTS 为主	音色与配音工业常用
Cartesia、PlayHT 等	各家新一代 TTS	TTS	低延迟语音合成赛道
Anthropic 等	产品内语音能力（随代际变化）	实时/接口	多作为助手入口而非独立 TTS 品牌
开源侧	Whisper 系、FunASR、CosyVoice 等	ASR / TTS	本地与私有化常见

---

8. 嵌入（Embedding）与检索

做 RAG（检索增强生成）、语义搜索、推荐时，用的往往不是旗舰聊天模型，而是：

• embedding 模型（把文本/图变成向量）；
• 重排序（rerank）模型；
• 向量数据库与分块策略。

这个赛道很少上热搜，却决定很多「企业知识库机器人」的上限。聊天模型再强，检索不准，一样一本正经地胡说。

当前代表性模型：

公司	最新/主力代表	备注
OpenAI	text-embedding-3-large / 3-small	通用 RAG 默认选项之一
Cohere	embed-v4 / embed 系列；Rerank 系列	检索 + 重排产品线完整
Voyage AI	voyage-3 / voyage-code 等	高质量检索与代码嵌入常见
Google	gemini-embedding / text-embedding 系列	与 Google 云检索栈搭配
智源 / BAAI 等	bge-m3、bge-reranker 等	开源多语检索事实标准之一
Jina AI	jina-embeddings-v3 等	长文本与多语嵌入
阿里等	GTE / Qwen 嵌入系列	中文与开源检索常用
NVIDIA 等	NV-Embed 等	开源高分嵌入之一

---

9. 开放权重：并重视角下的「另一条主线」

开放权重不是闭源的廉价复制，而是另一套工业：

• 可复现与可研究；
• 可自托管与私有化；
• 可蒸馏、可微调、可做领域模型；
• 可用竞争把 API 价格打下来。

2025–2026 的开放权重前沿，常见讨论对象包括：DeepSeek、Qwen、Llama、Kimi、Mistral、GLM 等家族。竞争非常激烈，且某一周的第一名几乎没有长期意义。

读开放权重时，需要额外看三列：

1. 许可（MIT / Apache / 自定义限制）；
2. 是否真能在自己的硬件上跑（显存、量化、推理引擎）；
3. 官方 API 与「可下载权重」是不是同一个 checkpoint。

当前代表性模型（可下载权重向）：

公司	最新/主力代表	备注
DeepSeek	DeepSeek V4 Pro / V4 Flash（MIT 等）	前沿级开放权重 + 极致性价比叙事
阿里（通义）	Qwen3.8（含 27B 等）、Qwen3.8-Max 权重变体	开放最活跃家族之一；注意 Max 许可
月之暗面	Kimi K3（开放权重）	前沿编码/Agent；体量巨大，自托管门槛高
Meta	Llama 4 Scout / Maverick	生态广；超长上下文（Scout）；社区许可有条件
Mistral	Mistral Large 3、Small 4 等	欧洲开放权重；偏友好许可
智谱	GLM-5 / GLM-5.x	MIT 等宽松许可常被点名
Google	Gemma 4 系列	端侧到中尺寸本地很强
OpenAI	gpt-oss 等开放权重尝试（若仍在流通）	闭源巨头偶发开放线，需核验代际
Microsoft	Phi-4 / Phi-4-Mini 等	小模型效率路线

---

10. 小模型与端侧（简短）

端侧 / 小模型的目标通常不是登顶 Arena，而是：

• 隐私与离线；
• 手机 / PC 本地；
• 极低成本的高并发；
• 作为大模型前面的路由、草稿、分类器。

当前代表性模型：

公司	最新/主力代表	备注
Google	Gemma 4（E2B–31B 等档）	笔记本/消费级 GPU 友好
Microsoft	Phi-4-Mini 等	极紧显存下的长上下文余量
Meta	Llama 3.2 / Llama 4 小尺寸变体	端侧与边缘部署常见
阿里（通义）	Qwen3 / 3.8 小尺寸稠密档（如数 B–27B）	本地编码与通用很强
Apple 等	端侧基础模型（随系统代际）	系统内建、隐私向
Black Forest Labs	FLUX.2 Klein（4B/9B）	图像侧的「端侧/消费级」对照

Gemma、Phi、各类 1B–14B 级模型、以及更小的专用头，都属于这张地图的边缘但必要区域：不是最炫，但很脏很累的活往往靠它们。

---

五、榜单科普：它们是什么，测什么，怎么读

大多数人不是不知道「有榜单」，而是不知道榜单之间不可互换。下面按「最常碰到的类型」做客观罗列

1. 人类偏好类：LMArena（原 LMSYS Chatbot Arena）

它是什么：
匿名两两对比，真人投票「哪边回复更好」，用 Elo 等机制排名。

它测什么：
真实对话场景下的综合观感——文风、有用性、礼貌、一定程度的正确性，但不是严格学科考试。

它适合回答：
「大家聊起来更喜欢谁？」

它不保证：
数学证明一定对、代码一定能合并进生产、长代理任务一定能完成。

2. 综合能力指数类：Artificial Analysis 等

它是什么：
第三方把多个基准、速度、价格等放到同一套框架里，给出 Intelligence Index、Agentic Index 等。

它测什么：
试图回答「综合智能 / 性价比 / 速度」这种更工程化的问题。

注意：
不同指数权重不同；「Max 思考」与「默认思考」也不是同一产品。

3. 知识与考试类：MMLU / MMLU-Pro 等

它是什么：
多学科选择题式知识评测。MMLU 曾是王者指标；后来出现更难的 MMLU-Pro。

现状：
很多前沿模型在经典 MMLU 上已高度饱和，区分度下降，于是社区转向更难、更新的集合。

4. 专家推理类：GPQA（含 Diamond）等

它是什么：
高难度科学问答，强调专家级推理，降低「靠背题」的轻松得分。

它适合回答：
「硬科学问题上的推理是否扎实？」

5. 数学竞赛类：AIME、MATH、各类竞赛集

它测什么：
符号化、多步数学解题。

读法提醒：
推理模型 + 更多测试时算力，会显著抬分；看分数时要看清采样次数、工具是否允许、是否 consensus。

6. 代码类：HumanEval → LiveCodeBench → SWE-bench

这是一条「越来越像真工作」的进化线：

榜单/基准	大致在测
HumanEval 等	短函数生成
LiveCodeBench	更新题面、降低污染的竞赛/编程题
SWE-bench 系列	真实 GitHub issue / 补丁级修复
Frontend / Code Arena 等	前端或特定域的人类偏好与任务完成

如果你关心「能不能帮我改项目」，SWE-bench 类通常比 HumanEval 更相关——但仍不等于你的代码库。

7. 「人类最后一场考试」类：HLE 等超难综合集

当旧基准被刷满，社区会引入更难、更新、更综合的题集（名称与版本持续变化）。它们的意义主要是：重新制造区分度，而不是给普通用户日常选型。

8. 开放模型专用榜：Hugging Face Open LLM Leaderboard 等

它是什么：
主要服务可下载开放权重模型的可比评测，强调公开、可复现、反污染。

它适合回答：
「在可自托管模型里，谁相对更强？」

闭源 API 模型有时不在同一套规则下直接横比，不必强行一锅炖。

9. 聚合站与新媒体榜：BenchLM、各类「Best LLM 2026」

它们的价值是：把分散基准、价格、上下文、许可汇总成一张表。
它们的风险是：更新频率高、口径不一、标题党容易把快照写成终局。

10. 生成式媒体榜：图像 / 视频的人类偏好与 VBench 等

图像视频领域同样有人类偏好对战、自动化质量基准。和 LLM 一样：好看、可控、可商用、可进入工作流，往往比单一分数更重要。

---

六、主流榜单前几名解读（约 2026 年 8 月快照）

上一章讲的是「榜单是什么」；这一章看「现在顶上坐着谁」，以及为什么不同榜的前几名并不相同。

先立三条读法：

1. 名次是快照，不是终局。 Arena 可能周更，厂商一发版、一调价、一改路由，表就会动。
2. 前几名分差往往很小。 Elo 差十几分、指数差 1–2 分，统计上经常落在噪声附近，不必把「第 1 / 第 2」当成质变。
3. 换一块表，冠军就可能换人。 这不是榜单「假」，而是它们在测不同东西。

下表综合公开第三方汇总与主流评测站点约 2026 年 8 月 的常见说法；精确小数与当日排序请以官网为准。

---

1. 人类偏好总榜：LMArena / Arena（原 LMSYS Chatbot Arena）

它在回答： 真人盲测里，聊天回复「更讨喜、更有用」的是谁。

2026 年 8 月，综合文本偏好榜常见前列形态：

大致位次	模型	公司	怎么读
顶尖档	Claude Fable 5 / Claude Opus 5 / Opus 4.8 等	Anthropic	Anthropic 在人类偏好上常占一整条「高原」
顶尖档	GPT-5.5 Pro / GPT-5.6 系列	OpenAI	与 Claude 同属前沿扎堆区，分差通常很窄
顶尖档	Gemini 3.1 Pro 等	Google	综合文本常进第一梯队；科学/长上下文子榜更常出彩
紧随	Grok、Qwen Max、Kimi 等	xAI / 阿里 / 月之暗面	已进入「可与闭源前沿同台」的讨论区

解读要点：

• 这张榜测的是对话观感
• 2026 年的主旋律不是「一家甩开十条街」，而是 Anthropic / OpenAI / Google（再加几家）挤在很窄的 Elo 带里。
• 同一家族多代同时上榜很常见（Opus 4.8 与 Opus 5、GPT-5.5 与 5.6），说明迭代变密，也说明旧旗舰未必立刻退场。

子榜提醒：
综合文本第 1，不等于编码第 1。公开讨论里，Frontend / Code Arena 等编码子榜上，月之暗面 Kimi K3（开放权重） 曾冲到编码向前列。

---

2. 综合能力指数：Artificial Analysis Intelligence Index

它在回答： 在同一套第三方框架下，把多类基准（推理、知识、编码等）压成一个「智能指数」，谁更高。

约 2026 年 8 月，公开讨论中的常见前列：

大致位次	模型	公司	指数量级（示意）	怎么读
1	Claude Opus 5（Max / 高思考档）	Anthropic	~63	综合指数上常居榜首
2	Claude Fable 5	Anthropic	~62	名义旗舰；与 Opus 分差极小，且可能含策略/回退设定
3	GPT-5.6 Sol（高思考档）	OpenAI	~61	非 Anthropic 阵营最强挑战者之一
4	Kimi K3	月之暗面	~60	开放权重逼近闭源前沿的强信号
5–6	Qwen3.8 Max、Grok 4.x 等	阿里 / xAI	~56–58	性价比与产品差异开始进入「前排叙事」

解读要点：

• 顶部分数 61–63 这种间距，更像「同一重量级」，不像「代差」。
• 名义最贵 / 名义旗舰 ≠ 指数第一：Fable 定价与品牌往往更「旗舰」，但指数上 Opus 5 反而更常领先
• Kimi K3 能进前四附近，说明开放权重已不只是「便宜替代」，而是能在综合指数里占位。

和 Arena 对照：
Arena 偏「聊起来舒不舒服」；AA Index 偏「一堆硬题加权后强不强」。两者前列重叠（都是 Claude / GPT），但具体第几、谁压谁经常不一致——这是正常的。

---

3. 软件工程：SWE-bench Verified vs SWE-bench Pro

它在回答： 模型（通常还要加 Agent 脚手架）能不能在真实软件问题上给出可验证修复。

SWE-bench Verified（相对更「老」、更高分、更易饱和）

约 2026 年 8 月，公开汇总里常见前列形态：

大致位次	模型	公司	分数量级（示意）
前列胶着	DeepSeek V4 Pro、GPT-5.6 Sol、Claude Opus 5	DeepSeek / OpenAI / Anthropic	~95%–96%+
紧随	Grok 4.6、Claude Fable / Mythos、Kimi K3 等	xAI / Anthropic / 月之暗面	~93%–96%

解读： Verified 顶部已经挤成一团。差 0.2–1 个百分点，很难单独拿来宣布「编码之王」；更说明前沿模型在「标准软件修复题」上整体变强，区分度在下降。

SWE-bench Pro（更难、区分度通常更好）

约同期公开讨论中的常见形态：

大致位次	模型	公司	分数量级（示意）
1–3	Claude Mythos 5、Claude Fable 5、Claude Opus 5	Anthropic	~79%–80%+
其后	GPT-5.x、Kimi、DeepSeek 等	各家	低于 Claude 顶档

解读要点：

• Verified 上 DeepSeek/GPT 能贴脸，Pro 上 Anthropic 常更整洁地占住前排
• 分数高度依赖 scaffold（脚手架）：官方演示、第三方统一 harness、本地的 IDE Agent，三者不必同序。
• Mythos 一类若属受限访问，榜上第一不等于人人可调用的第一。

---

4. 图像：Artificial Analysis Text-to-Image Arena 等

它在回答： 盲测里，文生图结果「更好看/更符合提示」的是谁。

约 2026 年 8 月，Image Arena 常见前列：

大致位次	模型	公司	怎么读
1	GPT Image 2（high）	OpenAI	综合盲测常处明显领先档
2–3	Reve 2.1；Nano Banana 2（Gemini 图像）	Reve / Google	紧追第一梯队
前列	GPT Image 1.5、MAI-Image 等	OpenAI / Microsoft	证明图像赛道已多强并存
开放权重前列	Ideogram 4.0、FLUX.2 [dev] 等	Ideogram / Black Forest Labs	「可下载/可自托管」另一条线
美学心智	Midjourney V8.x	Midjourney	Arena 名次未必最高，但创作者心智仍极强

解读要点：

• 图像榜的「第一」更偏综合偏好 + 提示遵循；Midjourney 仍可能是很多人的「最好看」，两者不矛盾。
• FLUX / Ideogram 的价值经常在 API、开放权重、商用工作流，不必用总榜名次否定它们。

---

七、结语：地图的用法

AI 模型层出不穷，并不意味着需要追每一条新闻。更有效的姿态是：

• 用赛道看世界，而不是用单一冠军看世界；
• 用演进理解一家公司，而不是用一个型号理解一家公司；
• 用多种榜单交叉验证，而不是用一张截图下结论；
• 把「开源 vs 闭源」「参数大小」从信仰降级为工程约束。

行业还会继续快迭代。型号会过时，坐标轴 provably 更耐用：公司、赛道、开放度、工具链、成本、证据类型。把这六项盯住，你就已经比大多数「每周换信仰」的讨论，清醒得多。