大模型排行榜

说明名次差别在统计上不成立， Agent 综合分数 = 5 个行为信号加权后相对基线的净提升百分点，反映主观偏好和实际体验， 数据更新： 基准跑分（Artificial Analysis） 2026-10-19 · 人类盲测（Arena AI） 2026-10-19 · 价格（厂商官网） 2026-10-19 ， 评测方法差异： 基准跑分通过标准化测试集（代码、数学、推理等）自动打分，结果客观可复现； 人类盲测由真实用户对匿名模型输出进行两两对比投票， CI = 95% 置信区间， Elo = 由真人两两对决胜负累积得到的等级分， 三种方法互补，投票越多越小；两个模型的 ± 区间重叠，。

宜结合参考， +12.0 表示比基线高 12 个百分点，仅比较差值：分差 100 分约对应 64% 胜率， Agent 榜不采用投票，差值在个位数以内视为水平相当，而是统计真实 Agent 会话中的行为信号（任务是否被确认完成、用户反馈倾向、纠错效率等），不是百分制评分。