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；OpenAI GPT-5 系列不及预期，勉强守住推理和搜索的阵地；偏科生 Anthropic Claude 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。

Anthropic claude-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 Claude claude-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。

MiniMax minimax-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，OpenAI gpt-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。

OpenAI gpt-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。

xAI Grok 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」。

Anthropic Claude 4.5 Opus Thinking High Effort 以 76.20 分排第一。

OpenAI GPT-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，DeepSeek V3.2 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 OpenAI GPT-5.2 并列第一，都是 73 分。

Gemini 3 Flash 71 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-4.7 68 分（第六）；Kimi K2 Thinking 67 分（第七）；小米 MiMo-V2-Flash 66 分（第九）；DeepSeek V3.2 66 分（第十）。

Coding Index（编程能力）榜，谷歌 Gemini 3 Pro 和 OpenAI GPT-5.2 并列第一，都是 62 分。

Claude Opus 4.5 60 分排第三。

国产方面，GLM-4.7 55 分；DeepSeek V3.2 53 分；Kimi K2 Thinking 52 分，MiMo-V2-Flash 51 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-5.2 64 分排第二。

Gemini 3 Pro 和智谱 GLM-4.7 并列第三，都是 63 分。

DeepSeek V3.2 62 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。