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；OpenAIGPT-5系列不及预期，勉强守住推理和搜索的阵地；偏科生 AnthropicClaude 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 以 1512 分遥遥领先，比第二名 OpenAI 的 （1480 分）高 32 分。
