Thinking…

I’m going to work through this article carefully, refining the language to be more natural and conversational while removing any AI-like phrasing, keeping the tone warm and human-focused for publication on Zhihu and CSDN.

下面是我润色后的版本。我主要做了几件事：收紧了重复表述，把一些过于工整的排比改得更自然，去掉了容易出现的"机器腔"，让过渡更顺、语气更像一个有经验的人在跟你聊天。结构和数据我都保留了原样。

---

这两年大模型榜单越来越多，但真正难的从来不是找"第一名"，而是判断哪个模型适合你自己的场景。

同一个模型，聊天榜上排第一，不代表写代码最稳；图像生成分数高，不代表商用成本扛得住；视频模型预览片看着惊艳，真到了镜头一致性、角色保持、批量出片的时候，又可能是另一回事。

我按 2026 年 6 月 25 日能查到的公开数据做了一次横向梳理，主要参考 Artificial Analysis、Chatbot Arena / OpenLM、LiveBench、SWE-bench、Arena 图像/视频榜和 VBench。它们有个共同点：不只看厂商宣传，而是尽量用盲测、客观任务、真实开发问题或公开价格来比较。

先交代一句：下文的配图大多用 Artificial Analysis 的数据。倒不是说别的榜单不重要，而是它在 LLM、图像、视频、价格、速度这几个维度上口径相对统一，适合做一组风格一致的图。Chatbot Arena / OpenLM、LiveBench、SWE-bench、VBench 更多是交叉验证和补充——Arena 看用户偏好，LiveBench 看客观任务，SWE-bench 看真实代码修复，VBench 看视频生成的细分质量。换句话说，图表为了好看统一了来源，但结论不是只押一个榜单。

结论可以先放在这里：现在的大模型，已经没法用一句"哪个最强"概括了。

1. 综合能力的第一梯队，仍然是 Anthropic、OpenAI、Google 这几家闭源旗舰；
2. 代码和 Agent 场景里，OpenAI Codex 系列、Claude、GLM、Qwen、DeepSeek 都有一战之力；
3. 图像生成，OpenAI、Google、Microsoft、Reve 站在前排；
4. 视频生成还在快速洗牌，Google、ByteDance、Alibaba、OpenAI、Runway、KlingAI 都值得盯;
5. 如果你看重性价比，GLM、DeepSeek、Gemini Flash 以及一些 mini/nano 模型，反而更值得认真测一测。

我参考了哪些榜单

综合性能我主要看三类数据。

第一类是 Artificial Analysis LLM Leaderboard，它比较的是智能水平、价格、输出速度、首 token 延迟、上下文长度这些指标。好处是足够工程化——不只告诉你谁聪明，还告诉你它贵不贵、快不快。

第二类是 Chatbot Arena / OpenLM。Arena 的价值在于大规模真人盲测。OpenLM 页面显示，Arena 用 600 万级别的用户投票来算 Elo，并结合了 Artificial Analysis Intelligence Index、ARC-AGI 等指标，更接近"普通人到底更喜欢哪个回答"。

第三类是 LiveBench，它强调抗污染和客观答案，不靠另一个 LLM 当裁判。2026-01-08 的版本覆盖了推理、coding、agentic coding、数学、数据分析、语言、指令遵从等类别，判断模型的真实推理、语言和代码能力很有参考价值。

代码能力我看 LiveBench Coding 和 SWE-bench。SWE-bench 的意义在于它不刷算法题，而是让模型去修真实的 GitHub issue，指标是 % Resolved，更贴近开发者每天遇到的东西。

图像生成我看 Artificial Analysis Image Leaderboard 和 Arena Text-to-Image：前者有盲评 Elo、速度、价格，后者有大规模用户投票。视频生成看 Arena Text-to-Video 和 VBench——Arena 偏用户偏好，VBench 偏技术拆解，比如运动平滑、时序闪烁、主体一致性、视频与文本一致性。

综合性能：第一梯队很强，但"贵"和"慢"是真问题

从 Artificial Analysis 的智能指数看，Claude Fable 5、Claude Opus 4.8、GPT-5.5、Claude Opus 4.7 排在前列。OpenLM 的 Chatbot Arena+ 里，Claude Fable 5 的 Arena Elo 约 1510，Claude Opus 4.8 Thinking 和 GPT-5.5-high 约 1506，Gemini-3.1-Pro 也在 1505 上下。也就是说，在通用问答、复杂任务理解和用户偏好上，Anthropic、OpenAI、Google 依旧是最稳的第一梯队。

LiveBench 给的是另一个角度，挺有意思。GPT-5.5 Thinking xHigh 的全局平均分是 80.71，GPT-5.4 Thinking xHigh 是 80.28，Claude 4.8 Opus Thinking xHigh 是 78.79。这个榜单更看重客观题、数学、数据分析、推理和代码。换句话说，如果你做的是严肃生产力场景，光看聊天体验不够，LiveBench 这类榜单更接近"它会不会真的做对"。

但第一梯队的短板也很直接：贵、延迟高、速度不一定占优。Artificial Analysis 显示，Claude Opus 4.8、GPT-5.5 这类旗舰的综合价格（blended price）明显高过 GLM-5.2、DeepSeek V4 Flash、Gemini Flash。对个人来说，这可能只是几十块月费的差别；对企业来说，就是每天几十万、几百万 token 的账单差别。

我的建议是：高风险决策、复杂分析、长链路 Agent、重要代码改造，优先上第一梯队；要是只做客服问答、摘要、分类、信息抽取、批量改写，别一上来就抱最贵的那个。

代码：别只盯 HumanEval，SWE-bench 更接近真实开发

代码能力现在已经分成了两种。

一种是"写一段函数"的能力，传统算法题和 HumanEval 偏这个方向。另一种是"接手一个真实仓库，把 bug 找出来并改对"的能力——这才是开发者真正缺的。SWE-bench 的价值就在这儿，它用真实项目的 issue，测模型到底能解决多少。

LiveBench Coding Average 里，GPT-5.2 Codex 跑到 83.62，GPT-5.5 Thinking xHigh 是 82.47，Claude 4.7 Opus Thinking xHigh 是 82.09。这个结果跟实际手感很对得上：OpenAI Codex 系列在工程任务、仓库理解、补丁生成上很猛；Claude 在长上下文阅读、重构解释、复杂需求拆解上一直很稳；GLM、Qwen、DeepSeek 的优势在成本和开放生态，适合自建开发工具链或做私有化验证。

如果你是日常写代码的人，我会这么选：

• 写业务代码、读老项目、改复杂逻辑：优先试 Claude Opus / Sonnet、GPT-5.5、GPT Codex。
• 代码 Agent、自动修 issue、跑测试再迭代：去看 SWE-bench 和 LiveBench Agentic Coding，别只看聊天榜。
• 公司内部私有化或预算敏感：GLM、Qwen、DeepSeek 值得单独做一轮 POC。
• 只做代码补全：不一定要最强旗舰，速度、延迟和 IDE 集成体验更重要。

真要评测代码模型，最好拿自己的仓库去跑。公开榜单只能告诉你上限，没法替你判断它懂不懂你的框架、规范和业务约束。

文本生成：Claude 像编辑，GPT 像全能助手，Gemini 赢在生态和长上下文

文本生成不是"会写文章"这么简单。它至少包括：理解需求、组织结构、保持语气、对事实谨慎、长文一致、改稿能力、跨语言表达。

从 OpenLM / Arena 看，Claude Fable 5、Claude Opus 4.8、GPT-5.5、Gemini-3.1-Pro 都在前排。LiveBench Language Average 里，Claude Fable 5 是 88.47，GPT-5.5 Thinking xHigh 是 87.66，Gemini 3 Pro Preview High 是 84.62。

我自己的体感是这样：

• Claude 更适合长文、报告、深度分析和润色。它语言节奏稳，废话少，像个严谨的编辑。
• GPT 更适合通用任务，尤其是"边想边做"的综合工作流——写方案、写代码、查资料、做表格、改提示词，一气呵成。
• Gemini 更适合跟 Google 生态、长上下文、多模态输入搭配，做资料阅读、文档理解、跨文件分析时很有吸引力。
• 开源 / 国产模型 在中文、公文、客服、知识库问答上已经很能打，但高难度长文和复杂推理还是建议实测。

如果你写知乎、CSDN、公众号，别只问"哪个模型文笔最好"。更现实的问题是：它能不能理解你的读者，能不能少说套话，能不能把复杂的事讲清楚。很多时候，模型只是给你出个初稿，最终的质感还是来自人的判断和编辑。

图像生成：OpenAI 质量强，但性价比未必最划算

图像生成的榜单变得很快，但有个趋势已经很清楚：质量第一梯队和性价比第一梯队，开始分家了。

Artificial Analysis Text-to-Image 榜里，GPT Image 2 (high) 的 Elo 是 1338，排第一；MAI-Image-2.5 约 1277；GPT Image 1.5 (high) 和 HiDream-O1-Image-1.5 都在 1264 上下；Nano Banana 2，也就是 Gemini 3.1 Flash Image Preview，约 1254。价格拉得很开：GPT Image 2 (high) 约 211 美元 / 1000 张，MAI-Image-2.5 约 48.1 美元 / 1000 张，Nano Banana 2 约 67 美元 / 1000 张。

Arena Text-to-Image 也显示 OpenAI、Reve、Google、Microsoft AI 在前排。这个榜单截至 2026-06-05 有约 539 万投票、70 个模型，样本不算小。

不同人，选择会完全不一样：

• 设计师、品牌团队：优先看审美稳定性、文字渲染、人物一致性、局部编辑能力，贵一点能接受。
• 电商和内容团队：更关心批量生成成本、出图速度、风格统一、失败率。
• 独立创作者：别盲目追最贵的，先看它能不能稳定出你要的风格。
• 产品团队：得把版权、商用许可、API 稳定性、内容安全策略一并评估。

图像模型最容易被一张样图带偏。真要测，建议固定 30 到 50 个提示词，覆盖人像、产品、海报、图文混排、复杂构图、中文文字，再看整体成功率。

视频生成：还没到"一个模型通吃"的阶段

视频生成是现在最热、也最不稳的赛道。

Arena Text-to-Video 截至 2026-06-10 有约 47.9 万投票、41 个模型，前排出现了 Google、ByteDance、Alibaba-ATH、Alibaba、OpenAI、xAI、Runway、KlingAI 等。VBench 则提醒我们：视频质量不能只看一段样片够不够震撼，还得拆成运动平滑、时序闪烁、主体一致性、空间关系、视频与文本一致性等维度去看。

对普通用户来说，视频模型最该关心的不是"最炫"，而是三件事：

• 镜头稳不稳：人物会不会变脸，物体会不会漂移，背景会不会乱跳。
• 指令可不可控：能不能按你的脚本走，而不是生成一段看着高级却完全不听话的视频。
• 成本扛不扛得住：视频按秒、分辨率、重试次数计费，失败一次比文本失败贵太多。

如果你做短视频，Veo、Sora、Runway、Kling、Seedance、Pika、Luma 都值得横向测一遍。别只看官方 demo，最好拿自己的脚本上：人物口播、产品展示、运镜、转场、中文元素、品牌色、固定角色连续出镜。谁能稳定通过这些，谁才配进生产流程。

性价比：最强的，不一定最值得买

性价比要同时看三件事：价格、速度、成功率。

Artificial Analysis 的价格指标很好用，因为它不只列 input/output 单价，还给了综合价格（blended price）。比如 Claude Opus 4.8、GPT-5.5 这类旗舰智能指数很高，价格也高；GLM-5.2 的智能指数已经挤进前列，综合价格约 0.90 美元 / 百万 token，速度还很突出；DeepSeek V4 Flash、Gemini Flash 以及一些 GPT mini/nano，在批量任务里往往更划算。

我的建议是分层用：

• 第一层：便宜快速的模型，处理分类、摘要、抽取、改写、轻量客服。
• 第二层：中高端模型，处理复杂问答、普通代码、长文改稿、知识库推理。
• 第三层：旗舰推理模型，只留给那些高价值、低容错、需要深度思考的任务。

企业真正省钱的方式不是"买最便宜的模型"，而是做路由：简单任务交给便宜模型，复杂任务升级到强模型，失败的再 fallback。这比全量上旗舰现实，也比一味压低模型能力稳妥。

不同的人，该怎么选

个人知识工作者：选一个综合强、语言舒服、长上下文好的就行。Claude、GPT、Gemini 都可以，区别在你的工作流。写报告多，Claude 合适；什么都做一点，GPT 更顺手；经常处理长文档和多模态资料，Gemini 值得试。

程序员：别迷信聊天体验。看代码就看 SWE-bench、LiveBench Coding，加上真实仓库测试。GPT Codex、Claude、GLM、Qwen、DeepSeek 都丢进同一套项目跑一遍，比修复率、测试通过率、改动可读性和 token 成本。

内容创作者：文本、图像、视频要分开选。写脚本和文章用 Claude / GPT / Gemini；做图测 OpenAI、Google、Microsoft、Reve；做视频重点看稳定性和重试成本。

企业和产品团队：别问"哪个模型最强"，要问"哪个模型在我们的场景里 ROI 最高"。内部知识库、客服、销售助手、代码助手、数据分析助手，需求差得很远。最好用 100 到 300 条真实样本做离线评测，再小流量灰度上线。

研究者和评测人员：别只看 Arena，也别只看学术 benchmark。Arena 代表人类偏好，LiveBench 代表客观任务，SWE-bench 代表真实工程，VBench 代表视频技术维度。几个榜交叉着看，结论才不容易跑偏。

普通人怎么快速评测一个模型

对大多数日常办公的人来说，既没精力去跑复杂的评测代码，也不可能搞几千次大规模投票。

想在极低的时间成本下，拿到一个相对客观、又贴合自己业务的结果，我推荐一套"个人工作流盲测法"。它的核心就是规范输入、去掉品牌标识，把"牌子滤镜"剔掉，快速筛出最合你工作节奏的那个模型。

第一步：搭一个你自己的"黄金测试集"

别拿随手想到的问题去测，随机性太大。从你日常最高频、最头疼的任务里，挑 3 到 5 个有代表性的真实场景，写成结构清晰的 Prompt。

比如，你可以建这么一个微型测试集：

• 任务 A（信息提炼）：给一篇长文，要求"在 300 字内，用 bullet points 提炼出 3 个核心结论和 2 个潜在风险"。
• 任务 B（文案与语气控制）：要求"写一封向客户解释产品延迟交付的道歉邮件，语气诚恳、职业，并给出合理的补偿方案"。
• 任务 C（结构化思维）：丢一些凌乱的数据或背景，要求"整理成一份结构化 SWOT 分析表格"。
• 任务 D（指令遵从）：在 Prompt 里加硬性限制，比如"输出里绝对不能出现’总之’'正如前面所说’等词，且必须分成三段"。

第二步：用工具做"同屏对比"

为了不在一堆网页标签之间来回复制粘贴，建议用那种"一键发给多个模型"的同屏对比工具，效率会高很多。

• 开源 / 本地客户端：比如 ChatALL，支持在一个界面里同时给 ChatGPT、Claude、Kimi、通义千问等多个模型发请求，并排着对比。
• 聚合平台：比如 Poe 或 Coze，或者干脆用浏览器分屏，把两个模型的官网并排拖一起。

第三步：去掉标识，“盲测”

人很容易被品牌名暗示，比如下意识觉得 ChatGPT 或 Claude 的回答就一定更好。想保持客观，可以这么做：

1. 把你的 Prompt 发给要对比的 2 到 3 个模型。
2. 把它们的回答分别贴进一个空白文档，抹掉所有能暗示身份的品牌标识或特定排版，只标"回答一"“回答二”。
3. 有条件的话，让同事帮你做这步复制；只有自己的话，生成完先去忙点别的，过一会儿再回来看，尽量模糊掉哪个回答出自哪个模型的记忆。

第四步：三维简易打分

读"回答一""回答二"的时候，不用搞复杂的学术指标，只盯这三个最贴近工作实际的维度，各打 1 到 5 分：

1. 指令遵从度：有没有漏掉你的要求？字数、格式、语气这些硬指标都做到了吗？
2. 信息质量与幻觉：有没有逻辑不通、事实错误，或者无中生有的"幻觉"？长文提炼有没有抓住真正的核心？
3. 直接可用度：这个回答能直接贴进邮件 / 文档，还是得你大改一遍？通常能直接用的，价值最高。

最后把两三个模型的分简单加一加。一般两三轮下来，哪个更合你的工作习惯和行业语境，结果就很清楚了。

补充：先用公开竞技场做初筛

要是面对几十个模型不知道挑哪几个来对比，可以先看第三方公开的、基于人类真实偏好双盲对决的榜单。

• LMSYS Chatbot Arena Leaderboard：全球知名的大模型竞技场，可以按写作、编码、长文本等任务分类，看当前表现靠前的几个。
• 国内主流榜单：比如 FlagEval、SuperCLUE 等，适合筛在中文语义、本土化和公文写作上表现好的候选。

对个人工作而言，没有"绝对完美"的模型，只有"最合你工作流"的模型。固定测试集 + 同屏盲测 + 三维实用性打分，半小时之内，你就能比较客观地挑出那个真能帮你提效的工具。

三个可以直接复制的测试 Prompt

下面三个 Prompt 在日常办公里比较实用、也有代表性，分别对应信息提炼与数据分析、复杂商务沟通、创意策划与逻辑推演三个场景，都设了明确的约束，适合用来对比不同模型的输出。

场景一：信息提炼与结构化分析

主要测模型能不能在一堆繁杂信息里准确抓住核心痛点，并以清晰、好读的格式输出，别说"车轱辘话"。

角色：你是一名资深的商业分析师。

任务：请阅读以下我提供的一段关于[某产品/某行业]的用户反馈文本（你也可以把下方文本替换成自己要分析的材料），完成以下任务：
1. 提炼出用户最核心的 3 个痛点，用 Bullet Points 列出，每个不超过 50 字，且必须说明"为什么这是痛点"。
2. 针对这 3 个痛点，提出 2 个有可行性的改进建议。
3. 把上述内容整理为一个 Markdown 表格，包含三列：【核心痛点】、【原因分析】、【建议改进措施】。

约束条件：
- 语言专业、客观，避免"显而易见""总而言之"这类冗余连接词。
- 严禁编造文本中没提到的事实。

【待分析的反馈文本】：
"我们公司用这个协同软件三个月了。界面挺好看，但多人同时在线编辑时经常延迟，甚至有两次把我们写好的会议记录弄丢了，太崩溃了。另外权限设置非常繁琐，我想给外部客户开一个'仅查看'权限，要在后台点五六步，导航指引做得很差。最后是客服响应太慢，每次提交工单基本都要等大半天才收到自动回复，根本解决不了燃眉之急。"

看什么：哪个模型总结得更准、表格会不会乱、有没有严格守住字数和"不编造"的限制。

场景二：复杂商务沟通与危机公关

测模型的"人情世故"和解决问题的逻辑。好模型不光能写通顺的邮件，还能安抚对方情绪、给出实质方案。

角色：你是一名经验丰富的外企客户成功总监（Customer Success Director）。

背景：由于我们内部技术接口对接出现意外延迟，原定下周一交付给一位重要企业客户（此人性格严谨、有些强势）的定制化数据系统，需要推迟 10 个工作日。

任务：写一封向该客户解释延迟并致歉的商务邮件，需包含：
1. 诚恳、职业地致歉（不推卸责任，不找低级的技术借口，体现专业度）。
2. 给出清晰的"分阶段交付计划"（如：下周一先交付核心看板，第 5 天交付 API 接口，第 10 天交付全部定制模块），降低客户焦虑。
3. 主动给出一个合理、有诚意的补偿方案（如：免费赠送 1 个月系统维护，或下期项目 9 折）。

约束条件：
- 语气：诚恳、专业、解决方案导向。
- 严禁过于谄媚或卑微的措辞，保持平等互利的合作姿态。
- 字数控制在 400 字以内，排版利于邮件阅读（合理用空行和段落）。

看什么：哪个模型语气更得体、补偿方案更合理、邮件是否真有说服力，而不是生硬套模板。

场景三：创意策划与可行性评估

测模型是只会给假大空的套话，还是能输出有操作价值的"干货"。

角色：你是一名资深的市场营销策略专家。

任务：我们要为一款主打"高效、无干扰"的个人时间管理/番茄钟 App 做线上推广，目标受众是经常多任务并行、容易焦虑的年轻职场人（22-30 岁）。请策划 3 个不同方向的创意推广活动。

要求：
1. 给这 3 个活动各起一个有吸引力、合年轻人口味的名字。
2. 简述每个活动的"核心玩法"（每个不超过 150 字），指出最适合投放的渠道（如小红书、即刻、B站、播客等）及理由。
3. 用 Markdown 表格，从以下三个维度给这 3 个活动做简评（用"高/中/低"表示，并一句话说明理由）：
   - 【执行难度】
   - 【传播潜力】
   - 【转化效果（促活/下载）】

约束条件：
- 拒绝平庸、套路化的方案（如单纯的"转发抽奖""打卡送会员"）。
- 必须结合受众"焦虑、时间碎片化"的痛点设计。
- 逻辑要严密，评估要中立，不能所有活动都评成"执行低、传播高、转化高"。

看什么：哪个模型创意更新、渠道匹配更准、评估表格是否客观。如果一个模型把所有创意都评成完美，说明它缺乏真正的评估能力。

最后

如果只盯着"谁是第一"，这篇文章很快就会过期。榜单每周都在变，新模型、新版本、新价格、新限流策略，都会改写结论。

更靠谱的做法，是给自己搭一个选型框架：

• 综合任务：看 Artificial Analysis、Arena、LiveBench。
• 代码任务：看 SWE-bench、LiveBench Coding，再加自己的仓库测试。
• 文本任务：看 Arena 偏好、LiveBench Language，再算上人工改稿成本。
• 图像任务：看 Artificial Analysis Image、Arena Text-to-Image，再用自己的提示词测。
• 视频任务：看 Arena Text-to-Video、VBench，重点测一致性和可控性。
• 成本任务：看综合价格、输出速度、失败率，而不是只看 API 单价。

我的结论很简单：2026 年选模型，别指望一个万能答案。高价值任务用最强的，批量任务用最划算的，创意任务看审美和可控性，企业场景必须拿自己的数据去测。

真正成熟的用法，不是押注某一家，而是把模型当成一层可以随时替换的能力。谁在你的场景里稳定、便宜、可控，谁就是最好的那个。

---