# AI模型基准测试

> 按基准测试列出的AI模型排行榜，注明每项的来源、日期和指标。每项基准测试都是独立的排行榜：不同基准测试的分数从不合并。

来源：Promptea — https://www.promptea.me/zh/benchmarks · 语言：简体中文 · 最后更新：2026-11-17

数据截至 2026年11月17日 · 收集自 OpenRouter’s benchmarks API (https://openrouter.ai/benchmarks).

阅读方式：只在同一项基准测试内比较模型。缺失的分数表示“未测量”，绝不表示零分。

### Intelligence Index — 通用智能

来源：Artificial Analysis (https://artificialanalysis.ai) · 指标：综合指数（越高越好）

通用能力：把推理、知识、数学和编程评测汇总成一个指数。

1. Claude Fable 5.2 (Max, Default Fallback) (Anthropic) — 64.6
2. Gemini 4 Carbon (High) (Google) — 60
3. Claude Opus 5.5 (Max, Default Fallback) (Anthropic) — 59.1
4. GPT-6 Astra (Max) (OpenAI) — 56.9
5. GPT-6.1 Sol (Max) (OpenAI) — 54.6
6. Claude Sonnet 5.5 (Max, Default Fallback) (Anthropic) — 54.5
7. Gemini 4 Hydrogen (Xhigh) (Google) — 53.9
8. Qwen3.8 Max (Qwen) — 53.4
9. GPT-6.1 Terra (Max) (OpenAI) — 51.3
10. Gemini 4 Argon (High) (Google) — 50.4

### Coding Index — 编程

来源：Artificial Analysis (https://artificialanalysis.ai) · 指标：综合指数（越高越好）

编程：汇总代码生成和问题求解评测。

1. Claude Fable 5.1 (Xhigh, Default Fallback) (Anthropic) — 80.7
2. GPT-5.6 Sol (Xhigh) (OpenAI) — 78.3
3. Claude Opus 5 (Max) (Anthropic) — 78
4. GPT-6 Astra (Max) (OpenAI) — 76.9
5. GPT-5.6 Terra (Max) (OpenAI) — 76.7
6. Claude Fable 5 (Max, Opus 4.8 Fallback) (Anthropic) — 76.5
7. Gemini 3.8 Flash (High) (Google) — 76.3
8. Qwen3.8 Max (0902) (Qwen) — 76.2
9. Gemini 3.7 Flash (High) (Google) — 76.1
10. Grok 4.6 (Xhigh) (xAI) — 75.9

### Agentic Index — 智能体与工具

来源：Artificial Analysis (https://artificialanalysis.ai) · 指标：综合指数（越高越好）

智能体任务：汇总工具调用和多步骤任务评测。

1. Claude Fable 5.1 (Xhigh, Default Fallback) (Anthropic) — 57.2
2. Claude Opus 5 (Max) (Anthropic) — 56.5
3. Qwen3.8 Max (0902) (Qwen) — 56
4. Muse Spark 1.3 (Max) (Meta) — 55.5
5. GLM-5.3 (Max) (Z.ai) — 53.1
6. Grok 4.6 (Xhigh) (xAI) — 52.5
7. GPT-6 Astra (Max) (OpenAI) — 51
8. GLM-5.3-Flash (Z.ai) — 50.9
9. Claude Fable 5 (Max, Opus 4.8 Fallback) (Anthropic) — 50.7
10. Qwen3.8 2.4T A95B (Qwen) — 50.1

### τ-bench（已验证，航空公司） — 智能体与工具

来源：OpenRouter (https://openrouter.ai/benchmarks) · 指标：准确率：完成任务的百分比

智能体在遵守规则的前提下使用工具，为一位模拟的航空公司客户提供服务。由OpenRouter运行。

1. OpenAI: GPT-5.1 (OpenAI) — 0.8
2. inclusionAI: Ling 3.1 Flash (Inclusionai) — 0.79
3. Anthropic: Claude Fable 5.1 (Anthropic) — 0.79
4. Qwen: Qwen3.5 397B A17B (Qwen) — 0.79
5. Anthropic: Claude Fable 5 (Anthropic) — 0.79
6. Anthropic: Claude Sonnet 5.5 (Anthropic) — 0.79
7. Google: Gemini 4 Argon (Google) — 0.79
8. Google: Gemini 3.5 Flash Lite (Google) — 0.78
9. Anthropic: Claude Opus 5 (Anthropic) — 0.78
10. Xiaomi: MiMo-V2.6-Flash (Xiaomi) — 0.78

### GPQA Diamond — 科学推理

来源：OpenRouter (https://openrouter.ai/benchmarks) · 指标：准确率：回答正确的百分比

研究生水平的生物、物理和化学选择题，很难通过上网搜索找到答案。由OpenRouter运行。

1. Google: Gemini 4 Argon (Google) — 0.96
2. Google: Gemini 3.8 Flash (Google) — 0.96
3. OpenAI: GPT-6 Astra Pro (OpenAI) — 0.95
4. Anthropic: Claude Fable 5.2 (Anthropic) — 0.95
5. Google: Gemini 3.1 Pro Preview (Google) — 0.95
6. OpenAI: GPT-6 Astra (OpenAI) — 0.94
6. OpenAI: GPT-6.1 Sol (OpenAI) — 0.94
7. OpenAI: GPT-5.6 Sol Pro (OpenAI) — 0.94
8. OpenAI: GPT-5.5 (OpenAI) — 0.94
9. Google: Gemini 3.7 Flash (Google) — 0.94

### BrowseComp（搜索） — 搜索

来源：OpenRouter (https://openrouter.ai/benchmarks) · 指标：准确率：回答正确的百分比

OpenRouter的搜索基准测试：模型借助网页搜索工具作答。

1. Claude Opus 5 (Anthropic) — 0.89
2. GPT-5.6-Sol (OpenAI) — 0.82
3. Deepseek V4 Flash 0731 (DeepSeek) — 0.77
4. GPT-5.6-Luna (OpenAI) — 0.74

### DSQA（搜索） — 搜索

来源：OpenRouter (https://openrouter.ai/benchmarks) · 指标：准确率：回答正确的百分比

OpenRouter的搜索基准测试：模型借助网页搜索工具作答。

1. Claude Opus 5 (Anthropic) — 0.89
2. GPT-5.6-Sol (OpenAI) — 0.88
3. GPT-5.6-Luna (OpenAI) — 0.87
4. Deepseek V4 Flash 0731 (DeepSeek) — 0.82

### Humanity's Last Exam（搜索） — 搜索

来源：OpenRouter (https://openrouter.ai/benchmarks) · 指标：准确率：回答正确的百分比

OpenRouter的搜索基准测试：模型借助网页搜索工具作答。

1. GPT-5.6-Sol (OpenAI) — 0.71
2. Claude Opus 5 (Anthropic) — 0.67

### WideSearch（搜索） — 搜索

来源：OpenRouter (https://openrouter.ai/benchmarks) · 指标：按条目计算的F1（越高越好）

OpenRouter的搜索基准测试：模型借助网页搜索工具作答。

1. GPT-5.6-Sol (OpenAI) — 0.84
2. GPT-5.6-Luna (OpenAI) — 0.83
3. Deepseek V4 Flash 0731 (DeepSeek) — 0.77
4. Claude Opus 5 (Anthropic) — 0.67

### Design Arena · 3d — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Claude Fable 5.2 (Anthropic) — 1495
2. Claude Opus 5.5 (Anthropic) — 1462
3. Kimi K3.1 Pro (Moonshot AI) — 1440
4. Muse Wonder (max) (Meta) — 1432
5. GPT-6.1 Sol (OpenAI) — 1427
6. Gemini 4 Carbon (Google) — 1425
7. Gemini 4 Hydrogen (Google) — 1412
8. Claude Sonnet 5.5 (Anthropic) — 1403
9. Claude Fable 5.1 (Anthropic) — 1388
10. Muse Spark 1.3 Max (Meta) — 1380

### Design Arena · asciiart — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Gemini 4 Hydrogen (Google) — 1473
2. Kimi K3 (Moonshot AI) — 1351
3. Claude Opus 5.5 (Anthropic) — 1348
4. Claude Opus 5 (Anthropic) — 1338
5. Muse Spark 1.3 Max (Meta) — 1329
6. Claude Fable 5 (Anthropic) — 1309
7. Claude Fable 5.1 (Anthropic) — 1307
8. Kimi K3.1 Pro (Moonshot AI) — 1296
9. Muse Spark 1.2 (Meta) — 1266
10. Gemini 3.6 Flash (Google) — 1265

### Design Arena · audiorealism — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. MAI-Voice-2 (Microsoft) — 1207
2. HeyGen Voice Turbo (Heygen) — 1166
3. MAI-Voice-2-Flash (Microsoft) — 1149
4. Google Gemini 3.8 Flash TTS (Google) — 1082
5. Fish Audio Drama 3 (Fish Audio) — 964
6. Fish Audio S2.1 Pro (Fish Audio) — 953
7. Qwen-Audio-3.0 TTS Flash (Qwen) — 852

### Design Arena · codecategories — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Muse Wonder (max) (Meta) — 1391
2. Claude Opus 5.5 (Anthropic) — 1384
3. Claude Fable 5.2 (Anthropic) — 1375
4. GPT-6.1 Sol (OpenAI) — 1361
5. Muse Spark 1.3 Max (Meta) — 1352
6. Kimi K3 (Moonshot AI) — 1351
7. Kimi K3.1 Pro (Moonshot AI) — 1348
8. Claude Sonnet 5.5 (Anthropic) — 1344
9. Gemini 4 Carbon (Google) — 1341
9. Gemini 4 Hydrogen (Google) — 1341

### Design Arena · dataviz — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Claude Opus 5.5 (Anthropic) — 1385
2. GLM 5.1 (Z.ai) — 1366
3. Claude Sonnet 5.5 (Anthropic) — 1362
4. Kimi K3 (Moonshot AI) — 1349
5. Claude Fable 5.1 (Anthropic) — 1344
6. Muse Spark 1.3 (xhigh) (Meta) — 1342
7. MiMo-V2.6-Pro (Xiaomi) — 1336
8. Muse Spark 1.2 (Meta) — 1328
9. Claude Opus 5 (Anthropic) — 1326
10. Gemini 4 Argon (Google) — 1323

### Design Arena · gamedev — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Claude Opus 5.5 (Anthropic) — 1427
2. Muse Wonder (max) (Meta) — 1414
3. GPT-6.1 Sol (OpenAI) — 1406
4. Claude Fable 5.2 (Anthropic) — 1403
4. Kimi K3.1 Pro (Moonshot AI) — 1403
5. Claude Sonnet 5.5 (Anthropic) — 1384
6. Claude Fable 5.1 (Anthropic) — 1364
7. Gemini 4 Argon (Google) — 1361
8. Gemini 4 Hydrogen (Google) — 1353
8. Kimi K3 (Moonshot AI) — 1353

### Design Arena · graphicdesign — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Riverflow 2.5 Pro (Sourceful) — 1411
2. MAI-Image-2.6 (Microsoft) — 1330
3. MAI-Image-2.6 Flash (Microsoft) — 1308
4. Gemini 3.1 Flash Image Gen 2K (Nano Banana 2) (Google) — 1261
5. Gemini 3 Pro Image Gen 2K (Nano Banana Pro) (Google) — 1251
6. MAI-Image-2.5 (Microsoft) — 1210
7. FLUX.2 [flex] (Black Forest Labs) — 1189
8. FLUX.2 [pro] (Black Forest Labs) — 1172
8. GPT-Image-1 (OpenAI) — 1172
9. Gemini 2.5 Flash Image Gen (Nano Banana) (Google) — 1167

### Design Arena · image — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Riverflow 2.5 Pro (Sourceful) — 1344
2. MAI-Image-2.6 (Microsoft) — 1302
3. MAI-Image-2.6 Flash (Microsoft) — 1291
4. Gemini 3.1 Flash Image Gen 2K (Nano Banana 2) (Google) — 1258
5. Gemini 3 Pro Image Gen 2K (Nano Banana Pro) (Google) — 1225
6. MAI-Image-2.5 (Microsoft) — 1216
7. FLUX.2 [flex] (Black Forest Labs) — 1182
8. FLUX.2 [pro] (Black Forest Labs) — 1177
9. GPT-Image-1 (OpenAI) — 1173
10. Gemini 2.5 Flash Image Gen (Nano Banana) (Google) — 1168

### Design Arena · imageediting — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Riverflow 2.5 Pro (Sourceful) — 1284
2. MAI-Image-2.6 Flash (Microsoft) — 1235
3. Gemini 3 Pro Image Preview 2K (Google) — 1227
4. MAI-Image-2.6 (Microsoft) — 1223
5. MAI-Image-2.5 (Microsoft) — 1203
6. FLUX.2 Pro Edit (Black Forest Labs) — 1111
7. GPT-Image-1 (OpenAI) — 1082
8. FLUX.2 Klein 4B Edit (Black Forest Labs) — 1032

### Design Arena · logo — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Riverflow 2.5 Pro (Sourceful) — 1297
2. MAI-Image-2.6 (Microsoft) — 1292
3. MAI-Image-2.6 Flash (Microsoft) — 1268
4. Gemini 3.1 Flash Image Gen 2K (Nano Banana 2) (Google) — 1263
5. MAI-Image-2.5 (Microsoft) — 1248
6. Gemini 3 Pro Image Gen 2K (Nano Banana Pro) (Google) — 1241
7. FLUX.2 [flex] (Black Forest Labs) — 1209
7. GPT-Image-1 Mini (OpenAI) — 1209
8. GPT-Image-1 (OpenAI) — 1202
9. FLUX.2 [pro] (Black Forest Labs) — 1192

### Design Arena · svg — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Gemini 4 Carbon (Google) — 1402
2. Gemini 4 Argon (Google) — 1340
3. GPT-6.1 Sol (OpenAI) — 1338
4. Kimi K3.1 Pro (Moonshot AI) — 1325
5. Claude Opus 5.5 (Anthropic) — 1322
6. Muse Spark 1.3 Max (Meta) — 1314
7. Claude Opus 5 (Anthropic) — 1305
8. Claude Sonnet 5.5 (Anthropic) — 1299
9. Kimi K3 (Moonshot AI) — 1296
10. Claude Fable 5 (Anthropic) — 1292

### Design Arena · text to speech — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Google Gemini 3.8 Flash TTS (Google) — 1472
2. MAI-Voice-2 (Microsoft) — 1166
3. MAI-Voice-2-Flash (Microsoft) — 1124

### Design Arena · uicomponent — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Claude Sonnet 5.5 (Anthropic) — 1388
1. Kimi K3.1 Pro (Moonshot AI) — 1388
2. Claude Fable 5.2 (Anthropic) — 1382
3. Claude Opus 5.5 (Anthropic) — 1375
4. Muse Wonder (max) (Meta) — 1364
5. GPT-6.1 Sol (OpenAI) — 1353
6. Muse Spark 1.3 Max (Meta) — 1350
7. Gemini 4 Carbon (Google) — 1347
8. Kimi K3 (Moonshot AI) — 1340
9. Claude Opus 5 (Anthropic) — 1339

### Design Arena · website — 设计与UI

来源：Design Arena (https://www.designarena.ai) · 指标：Elo（越高越好；仅相对于本竞技场）

由真人投票的一对一比较：针对同一需求，两个模型的视觉结果中他们更喜欢哪一个。

1. Muse Wonder (max) (Meta) — 1377
2. Muse Spark 1.3 (xhigh) (Meta) — 1359
3. Claude Fable 5.2 (Anthropic) — 1352
4. Kimi K3 (Moonshot AI) — 1336
5. Gemini 4 Hydrogen (Google) — 1331
6. Claude Opus 5.5 (Anthropic) — 1325
7. Kimi K3.1 Pro (Moonshot AI) — 1318
8. Gemini 4 Argon (Google) — 1315
8. GPT-6.1 Sol (OpenAI) — 1315
9. Gemini 4 Carbon (Google) — 1311

[方法论](https://www.promptea.me/zh/methodology)
