BenchLeader

质量:BenchLeader Index

汇总所有质量基准测试的综合指标:按基准测试逐项标准化,再按类别取平均。须在两个类别中至少有五项基准测试结果。 完整大模型排行榜另有速度、价格和所有配置。

截至 2026年11月16日,BenchLeader 在“质量”榜上将 Claude Fable 5.2 排在第一(72.7)。其后为 Gemini 4 Carbon(68.9)和 Claude Opus 5.5(68.4)。

608 个模型 · 数据截至 2026年11月16日

339 / 339
#
1新Claude Fable 5.2max72.7Anthropic
2Gemini 4 Carbonhigh68.9Google
3Claude Opus 5.5max68.4Anthropic
4GPT-6 Astramax67.3OpenAI
5Claude Fable 5.1max66.7Anthropic
6GPT-6.1 Solmax66.6OpenAI
7Claude Fable 565.4Anthropic
8GPT-5.6 Solmax65.3OpenAI
9Gemini 4 Argonhigh65.3Google
10Claude Opus 5max65.0Anthropic
11Muse Wonder64.4Meta
12Muse Spark64.2Meta
13Claude Sonnet 5.5max64.2Anthropic
14GPT-5.5xhigh64.1OpenAI
15GPT-6.1 Terramax64.1OpenAI
16新Gemini 4 Hydrogenhigh63.4Google
17GPT-5.4xhigh63.1OpenAI
18Claude Opus 4.763.1Anthropic
19GPT-5.4 Pro63.1OpenAI
20GPT-5.3-Codexxhigh62.9OpenAI
21GPT-6 Solmax62.6OpenAI
22Gemini 3.5 Flashhigh62.5Google
23Claude Opus 4.6high62.5Anthropic
24Muse Spark 1.162.2Meta
25Gemini 3.7 Flashhigh62.1Google
26Qwen3.6 Maxmax62.1Alibaba
27Kimi K3.1 Pro61.8Moonshot AI
28Muse Wonder Fullmax61.7Meta
29Muse Spark 1.361.6Meta
30Muse Spark 1.2xhigh61.5Meta
31Claude Opus 4.8max61.1Anthropic
32Gemini 3.6 Flashhigh61.0Google
33Kimi K360.7Moonshot AI
34Grok 4.6high60.6SpaceXAI
35o360.4OpenAI
36Gemini 3.1 Prohigh60.4Google
37Gemini 3.8 Flashmedium60.2Google
38GLM-5thinking60.2Zhipu AI
39GPT-5.6 Terraxhigh60.1OpenAI
40Gemini 3 Pro60.0Google
41Qwen3.7max60.0Alibaba
42Kimi K3.1 Pro Togethermax60.0Moonshot AI
43GPT-5.2xhigh59.9OpenAI
44Claude Opus 4.5high59.7Anthropic
45GPT-5 Pro59.6OpenAI
46Kimi K2.5thinking59.4Moonshot AI
47Grok 4.559.3SpaceXAI
48Kimi K2.6thinking59.3Moonshot AI
49Mimo v2 Pro59.1Xiaomi
50Qwen3.6 Plus59.0Alibaba
51GPT-5medium59.0OpenAI
52Claude Sonnet 5high59.0Anthropic
53GLM 5.2max58.9Zhipu AI
54Gemini 3 Flashthinking58.9Google
55GLM 5.3max58.8Zhipu AI
56Mimo v2 Omni58.8Xiaomi
57Qwen3.8 Maxmax58.7Alibaba
58GPT-5-Codexhigh58.6OpenAI
59DeepSeek V4.1 Flashmax58.5DeepSeek
60Grok 4.20 Multi-Agent58.5SpaceXAI

常见问题

排行榜上最好的大模型是哪个?
截至 2026年11月16日,Anthropic 的 Claude Fable 5.2(推理强度 max) 以 BenchLeader Index 72.7 ±4.3 位居第一。
为什么排名靠前的模型有这么多并列?
因为证据无法区分它们:截至 2026年11月16日,有 5 个配置的得分落在第一名的误差范围内。每个分数旁的 ± 表示其基准测试结果之间的差异大小;如果两个模型都落在对方的误差范围内,质量上就视为并列,此时应按价格或速度来选。
BenchLeader Index 是如何计算的?
每项基准测试的分数先标准化,使被评测模型的平均值为 50、一个标准差为 15 分;再在各类别(编程、推理、数学等)内取平均,最后把各类别合成为 BenchLeader Index。模型须在至少两个类别中有至少五项第三方结果才能进入排名,证据不足的分数会向 50 收缩。完整方法见方法说明页面。

引用格式:BenchLeader,《质量:BenchLeader Index》,数据截至 2026年11月16日,https://www.benchleader.com/zh/leaderboards/quality。