BenchLeader

2026 大模型排行榜:
汇集所有基准测试的统一排名

所有基准测试,一份排行榜。

来自 48 家基准测试发布方的285 项大模型基准测试(其中 78 项计入 Index),每 6 小时(UTC 04:03、10:03、16:03、22:03 开始运行)汇总为一份统一排名。BenchLeader 不自行做任何评测:它把 Artificial Analysis、LMArena、Epoch AI、LiveBench、SWE-bench 等已经测得的结果放在一起,让每个模型都在其实际运行的推理强度下,依据全部证据得到评判。

已排名模型
339
已排名配置
608
在线数据源
29/29

截至 2026年11月16日,第三方基准测试综合排名第一的 AI 模型是 Anthropic 的 Claude Fable 5.2,BenchLeader Index 为 72.7,其后为 Gemini 4 Carbon(68.9)和 Claude Opus 5.5(68.4)。有 6 个配置处于 Claude Fable 5.2 的误差范围之内,因此对大多数任务来说,选择取决于价格和速度:在前 15 名中,GPT-6.1 Terra 每美元换来的质量最高,混合价格为每百万 token $2.00。BenchLeader 基于来自 48 家发布方的 285 项基准测试,为 339 个模型排名,每 6 小时(UTC 04:03、10:03、16:03、22:03 开始运行)重建一次。

  • Qwen3.5-9B(thinking) 的价格从 $0.063/M 上调至 $0.14/M(117%)。
  • 阅读每日摘要(英文)
排名2026年11月16日
  1. 1新Claude Fable 5.2maxAnthropic · $16.00/M72.7▲ 0.1
  2. 2Gemini 4 CarbonhighGoogle · $4.00/M68.9▼ 0.6
  3. 3Claude Opus 5.5maxAnthropic · $8.00/M68.4▼ 0.1
  4. 4GPT-6 AstramaxOpenAI · $20.00/M67.3▲ 0.3
  5. 5Claude Fable 5.1maxAnthropic · $20.00/M66.7▲ 0.2
  6. 6GPT-6.1 SolmaxOpenAI · $4.00/M66.6—
  7. 7Claude Fable 5Anthropic · $20.00/M65.4▼ 0.9
  8. 8GPT-5.6 SolmaxOpenAI · $8.00/M65.3▼ 0.1
  9. 9Gemini 4 ArgonhighGoogle · $4.00/M65.3▼ 0.3
  10. 10Claude Opus 5maxAnthropic · $10.00/M65.0▲ 0.2
紫色:第一名。箭头:自上次变动以来 Index 的变化。 查看完整排名

新模型上线当天邮件通知我

进入排名时再通知一次,每周一另有每周回顾。

选择提供商和邮件类型

按场景划分的最佳大模型(2026年11月)

每种用途一份排名,每天根据第三方基准测试重建。

查看全部最佳大模型排名

新本周

发布动态

另有 4 个,见发布动态。

前沿看板

本周值得关注的 10 个模型,从三个角度对比。点选一栏重新排序,再点一次则倒序。

  1. 1新Claude Fable 5.2max72.7109$0.64
  2. 2Gemini 4 Carbonhigh68.964$0.16
  3. 3Claude Opus 5.5max68.4116$0.32
  4. 4GPT-6 Astramax67.341$0.80
  5. 5GPT-6.1 Solmax66.650$0.16
  6. 6新Gemini 4 Hydrogenhigh63.4170$0.12
  7. 7Kimi K2.5thinking59.443$0.05
  8. 8Qwen3.6 Plus59.052$0.04
  9. 9GLM 5.3 Flash57.854$0.01
  10. 10DeepSeek V4.1 Flash 1017max57.7174$0.02
条形长度相对于该栏的最佳值;紫色为该栏第一。成本按一次智能体编程会话计算:输入 6 万 token,输出 4 千 token。完整质量排行榜完整速度排行榜完整成本排行榜

变更日志

  1. 每周回顾 ·

    Claude Fable 5.2 + 8 new AI models: 9 Nov–15 Nov
  2. 进入 BenchLeader Index 排名 ·

    Gemini 4 HydrogenxhighIndex 61.8

  3. 进入 BenchLeader Index 排名 ·

    GPT-5.3 ChatIndex 58.3

  4. 进入 BenchLeader Index 排名 ·

    Deepseek v2.5Index 45.8

  5. 新上架模型 ·

    Nemotron 3.5 Bolt E4Bthinking

  6. 进入 BenchLeader Index 排名 ·

    Mistral Large 4mediumIndex 45.9

  1. Claude Fable 5.2 + 8 new AI models: 9 Nov–15 Nov每周回顾
  2. Nemotron 3.5 Bolt E4B added (15 Nov 2026)每日摘要
  3. Particle-1 added, GPT-6.1 Sol up to #8 (14 Nov 2026)每日摘要
  4. Gemini 4 Hydrogen added, GPT-6 Astra up to #6 (12 Nov 2026)每日摘要

热门对比

按领域对比模型

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学知识长上下文多模态人类偏好Claude Fable 5.2, 推理: 75.7Claude Fable 5.2, 编程: 79.7Claude Fable 5.2, 智能体与工具: 77.3Claude Fable 5.2, 数学: 74.5Claude Fable 5.2, 知识: 86.3Claude Fable 5.2, 长上下文: 66.4Gemini 4 Carbon, 推理: 73.2Gemini 4 Carbon, 编程: 74.1Gemini 4 Carbon, 智能体与工具: 70.3Gemini 4 Carbon, 数学: 71.9Gemini 4 Carbon, 知识: 76.1Gemini 4 Carbon, 长上下文: 64.3Gemini 4 Carbon, 人类偏好: 72.6Claude Opus 5.5, 推理: 72.1Claude Opus 5.5, 编程: 78.8Claude Opus 5.5, 智能体与工具: 61.3Claude Opus 5.5, 数学: 73.2Claude Opus 5.5, 知识: 72.5Claude Opus 5.5, 长上下文: 67.1Claude Opus 5.5, 多模态: 70.2GPT-6 Astra, 推理: 72.4GPT-6 Astra, 编程: 73.2GPT-6 Astra, 智能体与工具: 63.9GPT-6 Astra, 数学: 70.8GPT-6 Astra, 知识: 72.3GPT-6 Astra, 长上下文: 65.0GPT-6 Astra, 多模态: 65.6GPT-6 Astra, 人类偏好: 66.2

虚线:该模型在所经过的轴上没有结果,线条只连接相邻的点。

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

BenchLeader Index

每个模型一行,显示其得分最高的推理强度;切换到“全部配置”可比较不同推理强度。点击任意列即可排序。 方法说明

常见问题

目前最好的大模型是哪个?
截至 2026年11月16日,Anthropic 的 Claude Fable 5.2(max) 在 BenchLeader Index 中排名第一(72.7),其后是 Gemini 4 Carbon(high)(68.9)和 Claude Opus 5.5(max)(68.4)。最佳大模型页面按用途细分排名:编程、智能体、价格和速度。
2026年11月的大模型排行榜是怎样的?
2026年11月16日的前三名是 Claude Fable 5.2(max)(72.7)、Gemini 4 Carbon(high)(68.9)和 Claude Opus 5.5(max)(68.4),共有 331 个模型进入排名。排行榜基于来自 48 家发布方的 285 项基准测试,每 6 小时(UTC 04:03、10:03、16:03、22:03 开始运行)重建一次。
排行榜上最好的开源大模型是哪个?
截至 2026年11月16日,排名最高的开放权重模型是 Moonshot AI 的 Kimi K3.1 Pro,BenchLeader Index 为 61.8(综合前 100 名)。其他模型列在最佳开放权重大模型页面上;投入使用前请先核对各模型的许可证。
BenchLeader 如何为 AI 模型排名?
BenchLeader 不自行做任何测试,而是汇总第三方基准测试发布方已公布的结果。每项基准测试的分数都经过标准化,使参评模型的平均分为 50、一个标准差为 15 分;基准测试先在各自类别内(编程、推理、数学等)取平均,各类别再合成 BenchLeader Index。模型至少需要在两个类别中有五项第三方结果才能进入排名,证据较少的模型分数会向 50 收缩。完整方法见方法论页面。
排行榜多久更新一次?
每 6 小时一次:更新于 UTC 04:03、10:03、16:03、22:03 开始,最近一次完成于 2026年11月16日。每天的变化见博客中的每日摘要和 Atom 订阅源。