全球顶级大模型排行 ×
主流 Agent 工具图鉴
基于 Arena 人类偏好榜与 Artificial Analysis 智能指数的最新数据，
横向对比旗舰模型的上下文、价格与开源状态，
一站看懂 Codex、Claude Code、WorkBuddy 等主流 Agent 工具。
全球大模型排行榜
主流评价体系有两类：Artificial Analysis 智能指数（客观基准综合分，衡量能力上限）与 Arena ELO（真人匿名盲评偏好分，衡量体验）。两者经常不一致——这很正常，因为它们量的东西不同。
点击榜单中的任意模型，可查看该模型的定位与亮点。Arena 已于 2026-07-12 对分数重新定基，跨期分数不宜直接比较。
Artificial Analysis 智能指数 · Top 榜
客观基准综合分（满分制动态扩展），2026-08-27 快照；同一梯队分差通常在误差范围内。
Arena 各分榜第一
Arena（原 LMArena）由真人对两个匿名模型盲评投票产生，2026-08-27 更新。
Anthropic 旗舰，包揽总榜前三；偏好体验断层领先
月之暗面开源旗舰，史上最大开放权重模型
并列第一；Agentic Index 则由 Claude Opus 5 领跑（55.3）
多模态理解同样登顶视觉竞技场
核心参数与价格对比
覆盖国内外 12 款代表性模型：上下文窗口、API 价格（每百万 token 输入/输出）、开源状态与一句话定位。
价格单位以厂商公示为准（$ 美元 / ¥ 人民币），点击表格行可查看该模型的详细亮点。
| 模型 / 厂商 | 发布 | 上下文 | API 价格（入/出 · 每百万token） | 授权 | 一句话定位 |
|---|
大模型价格变动频繁，且常分档计价（如超长上下文加价、缓存折扣）。本页为 2026-08-30 快照，实际请以厂商官网为准。「—」表示暂未查到可靠公开数据。
主流 Agent 工具科普
Agent（智能体）= 大模型 + 工具调用 + 自主执行循环。它不止「回答问题」，而是拆解目标、动手干活、交付结果。 点击左侧工具查看详情与快速档案。
看懂榜单必备的 8 个概念
点击卡片展开解释。读懂这些词，你就能自己判断各类榜单与宣传话术。
在海量文本上训练、能理解和生成自然语言的超大规模神经网络。参数与数据规模越大，越会「涌现」出推理、创作等能力。代表系列：GPT（OpenAI）、Claude（Anthropic）、Gemini（Google）、Qwen（阿里）、DeepSeek、Kimi、GLM 等。
不满足于回答问题，而是自主拆解目标、调用工具、执行动作并根据反馈迭代，直到交付结果。典型循环：规划 → 行动 → 观察 → 调整。Codex、Claude Code、WorkBuddy、Manus 都是典型 Agent 产品。
Token 是文本计量的最小单位，中文 1 个字约等于 1～2 个 token；上下文窗口决定一次对话能装下多少资料。2026 年旗舰已普遍达到 256K～1M token（约 20～80 万字），Kimi、DeepSeek、GLM-5.x 等已卷到百万级。
推理模型在作答前先进行逐步「思考」（思维链），显著提升数学、编程等任务准确率。思考预算（thinking budget）越高，效果越强但更慢更贵。榜单上的 -high / xhigh 版本就是开了高思考预算的配置，与普通版本分数不可直接对比。
把模型拆成众多「专家」子网络，每次推理只激活其中少数几个，从而用更低的算力成本实现超大参数容量。DeepSeek V3.2（671B 总参/37B 激活）、GLM-5（744B）、Kimi K 系列都采用 MoE，这也是国产模型能把价格打到地板的原因。
Arena ELO 来自海量真人匿名盲评投票，反映「用起来爽不爽」；Artificial Analysis 智能指数则是 HLE、GPQA、SWE-bench 等客观基准的综合分，反映「能力上限高不高」。还有 Agentic Index 专门衡量工具调用与任务执行。选模型先看你的场景属于哪一类。
Model Context Protocol 是连接 AI 与外部工具/数据的开放标准：数据库、浏览器、公司内部系统都能以统一方式接入。Codex、Claude Code、Cursor、WorkBuddy 等主流工具均已支持，是 Agent 能「动手干活」的基础设施。
开源权重（DeepSeek、GLM-5.x、Kimi K3 等）可下载本地部署、自由微调，适合隐私敏感与深度定制场景，多采用 MIT 许可可商用；闭源模型（GPT、Claude、Gemini）只能通过 API 或官方产品按量使用，免运维、能力最强。2026 年的趋势是：开源阵营能力快速逼近闭源旗舰。
常见问题
关于「谁是最强模型」的高频疑问，一次讲清。
没有唯一答案，取决于评价维度：Arena 真人偏好榜第一是 Claude Fable 5，Artificial Analysis 智能指数第一是 Claude Opus 5（63 分），Agent 执行能力第一是 Claude Opus 5 / GPT-5.5 梯队，前端代码榜第一则是开源的 Kimi K3。按你的使用场景选，比迷信总榜更靠谱。
常见原因有三：① 思考预算不同（普通版 / -high / xhigh 是不同配置）；② 榜单统计口径不同（ELO 是人类偏好，智能指数是客观基准）；③ 榜单重定基——Arena 在 2026-07-12 重新校准了分数基线，前后分数不能直接比较。
差距正在快速缩小。Kimi K3 开放权重版本智能指数达 60，进入全球第一梯队；DeepSeek、GLM-5.x 以 MIT 许可开源且可商用。但在综合能力与极致体验上，闭源旗舰（Claude / GPT / Gemini）仍保持领先。隐私敏感、要私有化部署 → 选开源；追求开箱即用的最强能力 → 选闭源。
不是。大模型是「大脑」，Agent 是「大脑 + 工具 + 执行循环」的完整系统。同一个模型放进不同 Agent 框架，表现可能天差地别——这也是为什么 Artificial Analysis 专门有一个 Agentic Index 来衡量「干活能力」，它和纯智力分数并不完全挂钩。
按场景来：写代码 → Claude Code 或 Codex（终端深度任务）、Cursor / Copilot（IDE 内协作）；日常办公自动化 → WorkBuddy、Manus；纯对话问答 → ChatGPT / Claude / Gemini 官方应用；预算有限 → 国产开源模型 API（DeepSeek、Kimi、GLM），价格通常只有海外旗舰的 1/5～1/10。
本页为 2026-08-30 的静态快照。大模型行业迭代极快——价格按月波动、榜单按周变化、新模型随时发布。做采购或选型决策前，请务必到 Arena（arena.ai）、Artificial Analysis 与各厂商官网核实最新数据。