相对理性完整的分析：2026 年 8 月底 AI 各种综合能力排行榜

豆包

2026年8月底AI大模型综合能力排行榜（理性完整版）

数据快照：2026‑08‑28；数据源：Artificial Analysis智能指数、LMSYS Chatbot Arena、LiveBench、SWE‑bench、SuperCLUE/C‑Eval、BenchLM。
重要前提：不存在绝对统一的全球第一。客观跑分（标准化试题）、用户盲测（Arena Elo）、中文能力、多模态、长文本、代码、Agent，不同榜单排名差异很大；海外榜单大多偏向英文，国产模型中文表现会显著高于海外榜单分数。

一、全球旗舰模型综合客观榜（Artificial Analysis AA‑Index v4.1，满分100；加权：Agent34%、编程24%、科学推理24%、通用18%，纯英文评测，不包含多模态）

排名	模型	厂商	AA‑Index	核心定位
1	Claude Opus 5(max)	Anthropic	63	综合天花板，长文本、严谨推理、低幻觉，Agent很强
2	Claude Fable 5(max)	Anthropic	62	科研、复杂逻辑，科学问答极强，略弱于Opus5
3	GPT‑5.6 Sol(max)	OpenAI	61	均衡全能，代码、多模态、工具调用一流，响应快
4	Kimi K3(max)	月之暗面	59	国产最高，超长上下文，文档处理优秀，英文略逊海外头部
5	GLM‑5.3(max)	智谱AI	58	国产第二，推理稳定，Agent能力突出，中英文均衡
6	Grok 4.6(xhigh)	xAI	57	实时信息、创意写作，推理稳定性略弱前三
7	Gemini 3.7 Pro	Google	56	原生多模态，音视频理解强，纯文本推理略落后Claude/GPT旗舰
8	Qwen3.8 Max	阿里通义	55	国产头部，中文极强，开源生态完善，性价比优秀
9	DeepSeek‑V4 Pro	深度求索	54	代码强项，数学推理强，开源版本质量高
10	Claude Sonnet 5	Anthropic	53	次旗舰，性能接近旗舰，价格大幅下降，生产力首选

AA‑Index局限：只测文本，图片、视频、音频能力不计分；中文能力不纳入；不能直接代表普通人实际体验。

二、LMSYS Chatbot Arena Elo盲测榜（用户匿名A/B投票，反映真实体感；2026‑08‑25）

Elo越高代表人类用户偏好度越高，不是客观做题分数，会受话术风格影响。

1. Claude Opus5：1492
2. GPT‑5.6 Sol：1477
3. Claude Fable5：1461
4. Kimi K3：1423（国产第一）
5. GLM‑5.3：1405
6. Qwen3.8 Max：1388
7. Grok4.6：1376
8. Gemini3.7 Pro：1362

特点：盲测榜差距更小；Kimi、GLM在中文用户投票中分数会进一步上浮。

三、分专项能力排行榜（2026‑08，核心场景）

1）代码能力（SWE‑bench Verified、LiveCodeBench，工程实战）

1. Claude Opus5(max)：97.0%
2. GPT‑5.6 Sol(max)：96.2%
3. DeepSeek‑V4 Pro：92.1%（国产代码第一）
4. Claude Fable5：91.4%
5. Qwen3.8 Max：89.7%

2）数学&硬核推理（AIME竞赛、HLE人类最难考试）

1. Claude Opus5
2. GPT‑5.6 Sol
3. Claude Fable5
4. GLM‑5.3 Max（国产数学最强）
5. DeepSeek‑V4 Pro

3）长文本/百万级上下文

1. Kimi K3：200万token，文档解析、书籍分析最强
2. Claude Opus5：1M token，长文档严谨分析、低幻觉
3. Gemini3.7 Pro：1M+多模态上下文
4. GLM‑5.3 Max：1M

4）多模态（图片、表格、OCR、视频理解）

1. Gemini3.7 Pro：原生音视频理解，复杂图表、长视频解析最强
2. GPT‑5.6 Sol：图像推理均衡，图文混合任务稳定
3. Claude Opus5：图片文档/PDF解析优秀，视频能力弱于谷歌
4. Qwen3.8 Max：国产多模态第一，图文表现大幅提升

5）中文能力（SuperCLUE、C‑Eval，只看中文场景）

1. Qwen3.8 Max
2. GLM‑5.3 Max
3. Kimi K3
4. 豆包Pro
5. DeepSeek‑V4 Pro

   海外旗舰Claude Opus5、GPT‑5.6 Sol基础中文流畅，但古文、网络梗、本土公文、歧义理解弱于国产头部。

6）Agent智能体（工具调用、自主完成复杂任务）

1. Claude Opus5
2. GPT‑5.6 Sol
3. GLM‑5.3 Max（国产Agent第一）
4. Claude Fable5
5. Kimi K3

7）性价比榜单（性能/价格，生产API选型）

1. Claude Sonnet5：接近旗舰85%能力，成本仅Opus5约1/5
2. Qwen3.8 Flash：国产性价比天花板，大规模业务首选
3. DeepSeek‑V4 Flash：代码场景性价比极高
4. Gemini3.7 Flash：多模态轻量首选

   Claude Opus5、Fable5性能顶尖，但API成本很高，不适合高并发大规模调用。

四、国产模型完整梯队（2026‑08）

第一梯队（全球第一序列，对标海外旗舰）

• Kimi K3：长文本王者，文档处理，综合国产第一
• GLM‑5.3 Max：推理、Agent很强，中英文均衡
• Qwen3.8 Max：中文最强，开源生态完善
• DeepSeek‑V4 Pro：代码数学强项

第二梯队（国内商用主力，次旗舰）

• 豆包Pro：中文对话流畅、本土化体验好，国内直连
• 文心一言5.2：搜索联动强，国内生态完善
• MiniMax M3：Agent、故障排查、音频能力突出
• 混元HY3：综合稳定，腾讯生态打通

第三梯队：轻量Flash版本，面向业务部署：GLM‑5.3‑Flash、Qwen3.8‑Flash‑Next、DeepSeek‑V4‑Flash

五、理性解读榜单，必须注意的局限

1. 榜单≠真实体验：跑分刷的是标准化考题；真实工作中幻觉、指令跟随、输出格式、延迟，跑分不一定体现。部分模型会对测试集“数据污染”刷高分数，LiveBench专门规避污染，但测试集数量有限。
2. 海外榜单天然偏向英文：国产模型在AA‑Index这类英文榜单会被低估，换到中文评测国产头部经常反超海外。
3. 没有全能模型：
   • 需要严谨科研、长文档审校：选Claude Opus5
   • 需要代码、多模态综合干活：GPT‑5.6 Sol
   • 需要视频、原生多模态：Gemini3.7 Pro
   • 中文、大文档阅读：Kimi K3
   • 国内业务、低成本：Qwen / GLM / DeepSeek系列
4. 模型迭代极快，几乎每周都有小版本更新，排名会动态变化。

如果你需要，我可以把上面压缩成一页极简选型表，或者针对你的用途（写代码、科研写作、中文办公、本地部署）给出精简推荐。