2026 年第一天，盘点过去一年的 AI 大模型格局。
这篇文章汇总了 LMArena、LiveBench、Artificial Analysis 三大权威平台截至 2025 年 12 月底的最新排名。
数据量很大，先说结论。
谷歌
Gemini 3成功逆袭，拿下文本对话和多模态的双料冠军；OpenAIGPT-5系列不及预期，勉强守住推理和搜索的阵地；偏科生 AnthropicClaude Opus 4.5在代码和智能体任务上继续称王。
而国产大模型的表现，是今年最大的惊喜。
01｜三大榜单，各测什么？
简单介绍我最常看的三个榜单。
LMArena（原 Chatbot Arena）由加州大学伯克利分校 LMSYS 团队开发，采用类似国际象棋的 Elo 评分系统。
用户在平台上和两个匿名模型对话，投票选出更好的那个。
累计超过 500 万次真人投票，几乎是 AI 领域的「黄金标准」。
它现在细分出多个榜单：Text Arena（文本对话）、WebDev（网页开发）、Vision（视觉理解）、Text-to-Image（文生图）、Image Edit（图像编辑）、Search（搜索能力）。
LiveBench是一个「防污染」的学术基准测试，已被 ICLR 2025 收录为 Spotlight Paper。
核心特点是每月更新测试题目，来源包括最新数学竞赛（AMC、AIME、IMO）、arXiv 论文、新闻文章等。
所有问题都有客观标准答案，不依赖 LLM 当评委，避免了「AI 评 AI」的偏差。
Artificial Analysis是独立 AI 模型评测机构。
最新的Intelligence Index v3.0综合了 10 项评估，覆盖知识、推理、数学、编程、指令遵循、长文本理解、智能体任务等维度。
三个平台评测方法不同，但互为补充。
一句话总结：「LMArena 测真人偏好，LiveBench 测客观能力，Artificial Analysis 测综合智商。」
02｜文本对话：谷歌 Gemini 3 登顶
Text Arena 是 LMArena 最核心的榜单，截至 12 月 30 日累计投票数近 500 万。
榜首是谷歌gemini-3-pro，得分 1490。
更魔幻的是，第二名还是谷歌，gemini-3-flash得分 1480。
马斯克 xAI 的grok-4.1-thinking以 1477 分排第三。
Anthropic 的claude-opus-4-5系列分列四、五位，得分 1470 和 1467。
OpenAI 的gpt-5.1-high排到了第八，得分 1458。
2024 年，谷歌 Gemini 还在被 GPT 和 Claude 压着打。
现在，直接翻盘。
03｜前端代码：Claude 继续称王
WebDev Leaderboard 测试模型写前端代码的能力，截至 12 月 29 日累计 8 万票。
Anthropicclaude-opus-4-5-20251101-thinking-32k以 1512 分遥遥领先，比第二名 OpenAI 的gpt-5.2-high（1480 分）高 32 分。
第三还是 Claudeclaude-opus-4-5-20251101（1479 分）。
谷歌gemini-3-pro以 1471 分排第四。
值得一提的是，国产模型真的站起来了。
MiniMaxminimax-m2.1-preview以 1445 分排第六。
智谱glm-4.7以 1441 分排第七。
全球前十。
04｜视觉理解：谷歌继续碾压
Vision Arena 测试模型理解和处理图像（多模态）的能力，截至 12 月 16 日累计 57 万票。
前三全是谷歌：gemini-3-pro（1309 分）、gemini-3-flash（1284 分）、gemini-3-flash (thinking-minimal)（1268 分）。
OpenAI 的gpt-5.1-high以 1249 分排第四。
多模态这个赛道，谷歌 Gemini 领先优势太明显了。
05｜图像生成与编辑：字节杀进全球前五
Text-to-Image Arena（文生图）榜单上，OpenAIgpt-image-1.5以 1264 分排第一。
谷歌大香蕉Nano Banana Pro图像模型以 1235 分第二。
Black Forest Labs 的Flux 2系列占据四到七位。
国产模型，腾讯hunyuan-image-3.0以 1152 分排第八。
字节seedream-4.5以 1147 分第十。
Image Edit Arena（图像编辑）榜单上，字节表现更亮眼。
seedream-4.5以 1327 分排第五，seedream-4-2k以 1312 分排第七，seedream-4-high-res-fal以 1246 分排第十。
前十，字节占了三个。
图像生成和编辑，国产模型已经杀进全球第一梯队了。
06｜搜索能力：谷歌 vs OpenAI
Search Arena 测试模型联网搜索的能力，截至 12 月 17 日累计 12 万票。
谷歌gemini-3-pro-grounding（Gemini 3 Pro的搜索模式）以 1214 分居首。
OpenAIgpt-5.2-search紧随其后得分 1211，差距只有 3 分。gpt-5.1-search以 1201 分排第三。
xAIGrok系列占据四到六位。
Perplexity 的ppl-sonar-reasoning-pro-high排第六，得分 1147。
谷歌做了二十多年搜索引擎，只领先 3 分，OpenAI 已经很能打了。
07｜LiveBench：硬核推理
LiveBench 是百分制。
测试内容包括推理、数学、编程、数据分析、语言理解、指令遵循几大类。
这个榜单的题目非常难，每月更新（这是名字里 Live 这个词的精髓），专治各种「刷榜」。
AnthropicClaude 4.5 Opus Thinking High Effort以 76.20 分排第一。
OpenAIGPT-5.1 Codex Max以 75.63 分紧随其后。
谷歌Gemini 3 Pro Preview High以 75.22 分排第三。
国产模型，DeepSeekV3.2 Thinking以 66.22 分排第十二。
月之暗面Kimi K2 Thinking以 65.59 分排第十三。
顶尖模型也就 70% 多的正确率，可见难度。
需要说明的是，LiveBench 更新比较慢，很多国产新模型还没来得及上榜。
08｜Artificial Analysis：智能体成新战场
Artificial Analysis Intelligence Index 是综合指数，把 10 项评估加权平均。
总榜上，谷歌Gemini 3 Pro Preview和 OpenAIGPT-5.2并列第一，都是 73 分。
Gemini 3 Flash71 分排第三。
Claude Opus 4.5和GPT-5.1并列第四，都是 70 分。
国产模型排名亮眼。
智谱GLM-4.768 分（第六）；Kimi K2 Thinking67 分（第七）；小米MiMo-V2-Flash66 分（第九）；DeepSeek V3.266 分（第十）。
Coding Index（编程能力）榜，谷歌Gemini 3 Pro和 OpenAIGPT-5.2并列第一，都是 62 分。
Claude Opus 4.560 分排第三。
国产方面，GLM-4.755 分；DeepSeek V3.253 分；Kimi K2 Thinking52 分，MiMo-V2-Flash51 分。
Agentic Index（智能体能力）是 2025 年的新赛道，测试模型执行复杂多步骤任务的能力。
Claude Opus 4.5以 67 分排第一。
GPT-5.264 分排第二。
Gemini 3 Pro和智谱GLM-4.7并列第三，都是 63 分。
DeepSeek V3.262 分，第六；Kimi K2和小米MiMo-V2-Flash都是 61 分，排第七。
智谱和榜首差距只有 4 分。
智能体这个赛道，国产模型起点很高了。
09｜2026 怎么选？
日常对话、搜索、信息整合和多模态理解，选今年进步最大的Gemini，或者 8 亿周活的ChatGPT；用不了的，直接豆包或者千问。
写代码，后端选Claude（或复杂任务GPT，前端也可以Gemini），这块它还是王者；嫌麻烦直接GLM-4.7、MiniMax M2.1、或Kimi K2。
复杂自动化任务，Claude目前最强，但国产模型的 Agentic 能力也值得一试。
图像生成，OpenAI（仅限英文）和谷歌领先，但字节Seedream已经很能打了。
2026 年，智能体（AI Agent）还是主战场之一。
新年快乐。
关注我，2026 继续和 AI 一起进化。
我是木易，Top2 + 美国 Top10 CS 硕，现在是 AI 产品经理。
关注「AI信息Gap」，让 AI 成为你的外挂。
