场景子榜单
7 / 7 个场景有第三方数据。每个场景绑一个明确的第三方指标，原样收录、原样排序 —— 不把不同来源的分数加权成一个「场景总分」（口径不同，加起来没有意义）。 这一页是总览：每个场景给前十名预览；点进场景看完整榜单， 窗口内每条都在（每榜最多 30 条）：前 10 名直接可见，第 11 名起折叠，删减一条都没有。 榜单得有几个模型真的在比才算数 —— 窗口内不足 10 个模型的榜不展示（并写明是哪几个）。
编码
写代码、改代码、跑测试——谁的通过率最高 106 个模型口径：AA SciCode（科学编程）· AA Terminal-Bench 4.0（终端任务） · 通过率越高越好（第三方跑真实编程题，非厂商自报）
- Terminal-Bench 4.0 共 34 条（近 90 天发布）· 另有 18 个更早未显示 数据日期 2026年10月9日
- SciCode 共 35 条（近 90 天发布）· 另有 19 个更早未显示 数据日期 2026年10月9日
前十名预览（按「Terminal-Bench 4.0」；第 11 名之后的完整榜单在该场景页） · 名次沿用信源原始名次，窗口外的老模型已隐藏，所以会跳号
| # | 模型（榜单原样） | 厂商 | % |
|---|---|---|---|
| 1 | Anthropic: Claude Sonnet 5.5 | Anthropic | 63.636 |
| 2 | Anthropic: Claude Opus 5.5 | Anthropic | 59.596 |
| 3 | OpenAI: GPT-6 Astra | OpenAI | 59.091 |
| 4 | OpenAI: GPT-6.1 Sol | OpenAI | 56.061 |
| 5 | Anthropic: Claude Fable 5.1 | Anthropic | 52.020 |
| 6 | Z.ai: GLM 5.3 | 智谱 AI | 41.919 |
| 7 | Qwen: Qwen3.8 Max (0902) | 阿里云 通义千问 | 38.889 |
| 9 | Xiaomi: MiMo-V2.6-Pro | Xiaomi | 34.848 |
| 10 | inclusionAI: Ling 3.1 Flash | 蚂蚁集团 | 33.333 |
| 11 | Meta: Muse Spark 1.3 | Meta | 33.333 |
口径说明与已剔除项
- 已剔除 Aider polyglot：信源停更（最新条目 2025-09-29，近 3 个月无新模型），旧分不再采集也不再展示 —— 停更的榜拿来选型会误导。
Agent / 工具调用
自动跑流程、调工具、做运维任务——谁靠得住 120 个模型口径：AA τ²-bench（工具调用）· τ²-bench Banking · ITBench-SRE（SRE 运维任务）· Terminal-Bench Hard · 看真实任务完成率；ITBench-SRE 最贴近内部运维（17 个模型有分）
- τ²-bench Banking 共 22 条（近 90 天发布）· 另有 20 个更早未显示 数据日期 2026年10月9日
- ITBench-SRE 共 12 条（近 90 天发布）· 另有 6 个更早未显示 数据日期 2026年10月9日
前十名预览（按「τ²-bench Banking」；第 11 名之后的完整榜单在该场景页） · 名次沿用信源原始名次，窗口外的老模型已隐藏，所以会跳号
| # | 模型（榜单原样） | 厂商 | % |
|---|---|---|---|
| 1 | Meta: Muse Spark 1.3 | Meta | 50.515 |
| 2 | Z.ai: GLM 5.3 | 智谱 AI | 50.309 |
| 3 | Qwen: Qwen3.8 2.4T A95B | 阿里云 通义千问 | 49.072 |
| 4 | Qwen: Qwen3.8 27B | 阿里云 通义千问 | 48.041 |
| 5 | Qwen: Qwen3.8 Max (0902) | 阿里云 通义千问 | 47.835 |
| 6 | Anthropic: Claude Fable 5.1 | Anthropic | 47.216 |
| 7 | Z.ai: GLM 5.3 Flash | 智谱 AI | 47.216 |
| 8 | MoonshotAI: Kimi K3 | 月之暗面 Kimi | 45.979 |
| 9 | Google: Gemini 3.8 Flash | 44.948 | |
| 10 | OpenAI: GPT-6 Astra | OpenAI | 41.443 |
已剔除 2 个窗口内不足 10 个模型的榜：Terminal-Bench Hard、τ²-bench —— 只有几个模型在比，名次是巧合。
长文本 / 文档处理
喂长文档、按真实职业要求交付——谁更稳 120 个模型口径：AA LCR（长上下文推理）· AA GDPval（真实职业交付任务） · LCR 看长上下文推理；GDPval 是真实职业任务交付，越接近「能用」的分越高
- GDPval 共 35 条（近 90 天发布）· 另有 20 个更早未显示 数据日期 2026年10月9日
- LCR 共 36 条（近 90 天发布）· 另有 29 个更早未显示 数据日期 2026年10月9日
前十名预览（按「GDPval」；第 11 名之后的完整榜单在该场景页） · 名次沿用信源原始名次，窗口外的老模型已隐藏，所以会跳号
| # | 模型（榜单原样） | 厂商 | % |
|---|---|---|---|
| 1 | Anthropic: Claude Opus 5.5 | Anthropic | 68.313 |
| 2 | Anthropic: Claude Sonnet 5.5 | Anthropic | 66.955 |
| 3 | Anthropic: Claude Fable 5.1 | Anthropic | 62.811 |
| 4 | SpaceXAI: Grok 4.7 | xAI | 60.622 |
| 5 | Xiaomi: MiMo-V2.6-Pro | Xiaomi | 59.238 |
| 6 | Meta: Muse Spark 1.3 | Meta | 59.050 |
| 7 | Qwen: Qwen3.8 Max (0902) | 阿里云 通义千问 | 58.570 |
| 8 | Z.ai: GLM 5.3 | 智谱 AI | 57.536 |
| 9 | Z.ai: GLM 5.3 Flash | 智谱 AI | 57.206 |
| 10 | inclusionAI: Ling 3.1 Flash | 蚂蚁集团 | 56.088 |
通用推理
通用推理与文本综合水平（与首页散点图同源） 181 个模型口径：AA 智能指数（10 项基准综合）· GPQA Diamond · Humanity's Last Exam · 智能指数就是首页散点图的纵轴，这里是同一口径 —— 别当成两份数据
- AA 智能指数 共 36 条（近 90 天发布）· 另有 29 个更早未显示 数据日期 2026年10月9日
- Humanity's Last Exam 共 36 条（近 90 天发布）· 另有 29 个更早未显示 数据日期 2026年10月9日
- GPQA Diamond 共 22 条（近 90 天发布）· 另有 29 个更早未显示 数据日期 2026年10月9日
前十名预览（按「AA 智能指数」；第 11 名之后的完整榜单在该场景页） · 名次沿用信源原始名次，窗口外的老模型已隐藏，所以会跳号
| # | 模型（榜单原样） | 厂商 | 分 |
|---|---|---|---|
| 1 | Anthropic: Claude Opus 5.5 | Anthropic | 57.622 |
| 2 | Anthropic: Claude Sonnet 5.5 | Anthropic | 56.000 |
| 3 | Anthropic: Claude Fable 5.1 | Anthropic | 53.355 |
| 4 | OpenAI: GPT-6 Astra | OpenAI | 52.674 |
| 5 | OpenAI: GPT-6.1 Sol | OpenAI | 51.833 |
| 6 | Meta: Muse Spark 1.3 | Meta | 48.092 |
| 7 | SpaceXAI: Grok 4.7 | xAI | 46.447 |
| 8 | Xiaomi: MiMo-V2.6-Pro | Xiaomi | 46.324 |
| 9 | Qwen: Qwen3.8 Max (0902) | 阿里云 通义千问 | 45.415 |
| 10 | Z.ai: GLM 5.3 | 智谱 AI | 44.777 |
图像
文生图谁的成图更受欢迎、单价多少 168 个模型口径：Arena Elo（人类盲测偏好） · Elo 越高越受欢迎（1000 为基准锚点）；价格是第三方口径的每千张
- Arena Elo（人类盲测偏好） 共 164 条（近 90 天发布）· 另有 4 个更早未显示 数据日期 2026年10月9日
前十名预览（按「Arena Elo（人类盲测偏好）」；第 11 名之后的完整榜单在该场景页） · 名次沿用信源原始名次，窗口外的老模型已隐藏，所以会跳号
| # | 模型（榜单原样） | 厂商 | Elo |
|---|---|---|---|
| 1 | GPT Image 2.5 Sunburst (max) | OpenAI | 1197.570 |
| 2 | GPT Image 2.5 Flare (max) | OpenAI | 1190.850 |
| 3 | GPT Image 2 (high) | OpenAI | 1172.430 |
| 4 | Nano Banana 2.1 | 1160.060 | |
| 5 | Grok Imagine Image 2.0 | SpaceXAI | 1155.660 |
| 6 | MAI-Image-2.6 | Microsoft AI | 1151.060 |
| 8 | Muse Image | Meta | 1115.100 |
| 9 | GPT Image 1.5 (high) | OpenAI | 1107.380 |
| 10 | MAI-Image-2.6-Flash | Microsoft AI | 1105.420 |
| 11 | MAI-Image-2.5 | Microsoft AI | 1103.590 |
视频
文生视频谁的效果最好 112 个模型口径：Arena Elo（人类盲测偏好）· 文生视频 / 图生视频两个榜 · Elo 越高越受欢迎（人类盲测两两投票）；视频榜迭代快，务必看榜头的快照日期
- Arena Elo（图生视频 · 人类盲测偏好） 共 81 条（近 90 天发布）· 另有 0 个更早未显示 数据日期 2026年10月9日
- Arena Elo（文生视频 · 人类盲测偏好） 共 31 条（近 90 天发布）· 另有 0 个更早未显示 数据日期 2026年10月9日
前十名预览（按「Arena Elo（图生视频 · 人类盲测偏好）」；第 11 名之后的完整榜单在该场景页）
| # | 模型（榜单原样） | 厂商 | Elo |
|---|---|---|---|
| 1 | Gemini Omni Flash | 1368.150 | |
| 2 | Bach 1.0 Pro | Video Rebirth | 1362.010 |
| 3 | Wan 3.0 | Alibaba | 1361.760 |
| 4 | Vimoo 1.0 | Vimoo | 1348.480 |
| 5 | PixVerse V6 | PixVerse | 1338.880 |
| 6 | Grok Imagine Video 1.5 | SpaceXAI | 1330.980 |
| 7 | grok-imagine-video | SpaceXAI | 1328.220 |
| 8 | Kling 2.5 Turbo 1080p | KlingAI | 1298.640 |
| 9 | Vidu Q3 Pro | Vidu | 1289.990 |
| 10 | PixVerse V5.6 | PixVerse | 1287.050 |
口径说明与已剔除项
- 文生视频与图生视频是两个独立榜，同一个模型在两个榜上的名次可能差很多 —— 按用途各看各的，不合并
- 视频模型多数不在本站的文本模型目录里，所以只进榜单、不参与价格与散点图
语音
语音合成自然度、语音识别准确率与单价 133 个模型口径：合成：Arena Preference Elo（越高越好）· 识别：AA-WER Index（越低越好） · 合成看偏好 Elo；识别看 WER 指数（错误率，越低越好）
- Arena Preference Elo（人类偏好） 共 97 条（近 90 天发布）· 另有 0 个更早未显示 数据日期 2026年10月9日
- AA-WER Index（词错误率，越低越好） 共 36 条（近 90 天发布）· 另有 0 个更早未显示 数据日期 2026年10月9日
前十名预览（按「Arena Preference Elo（人类偏好）」；第 11 名之后的完整榜单在该场景页）
| # | 模型（榜单原样） | 厂商 | Elo |
|---|---|---|---|
| 1 | Eleven v4 Turbo | — | 1329.000 |
| 2 | Eleven v4 | — | 1326.000 |
| 3 | Qwen-Audio-3.1-TTS-Plus | — | 1298.000 |
| 4 | Sonic 3.6 | — | 1281.000 |
| 5 | Gemini 3.8 Flash TTS | — | 1275.000 |
| 6 | Qwen-Audio-3.0-TTS-Plus | — | 1267.000 |
| 7 | Realtime TTS-2 | — | 1257.000 |
| 8 | Simba 3.2 | — | 1244.000 |
| 9 | Gemini 3.8 Flash-Lite TTS | — | 1243.000 |
| 10 | Breeze TTS 2 | — | 1222.000 |