AI 大模型周榜 · 2026.10.14–10.20
本期窗口是 2026 年 10 月 14 日到 10 月 20 日。LMArena 在 10 月 20 日刷新了总榜快照，最值得说的一件事不是谁涨了，而是谁都没怎么动：前五名的名次和分数几乎原地踏步，而 46 个"新条目"里有 45 个只是换了个名字。
1. 本期速览
三个关键数字先摆出来：
- 分数最高：Gemini 4 Argon (High)，1532.3 分，自 9 月 30 日以来一直居首。
- 投票最多：Claude Opus 4.6，87,372 票，比上期多了 1,301 票。
- 厂商分布：前 10 名里 Anthropic 占 7 席、Google 2 席、Meta 1 席；前 100 名里 Anthropic 18 个、Google 14 个、OpenAI 12 个、阿里 9 个、智谱 9 个。
总榜前十（2026-10-20 快照）：
| 排名 | 模型 | 厂商 | Elo | 周变化 | 投票数 | 上期 |
|---|---|---|---|---|---|---|
| 1 | Gemini 4 Argon (High) | 1532.3 | 持平 / 0.0 | 4,900 | #1 | |
| 2 | Claude Opus 5.5 (High) | Anthropic | 1516.2 | 持平 / +0.5 | 9,496 | #2 |
| 3 | Claude Fable 5.1 (Max) | Anthropic | 1511.9 | 持平 / +0.4 | 15,623 | #3 |
| 4 | Claude Opus 5 (Max) | Anthropic | 1508.6 | 持平 / +1.0 | 33,683 | #4 |
| 5 | Claude Opus 5 (High) | Anthropic | 1502.8 | 持平 / +0.2 | 69,307 | #5 |
| 6 | Muse Wonder (Max) | Meta | 1501.7 | ↑1 / +0.7 | 5,099 | #7 |
| 7 | Claude Opus 4.6 (High) | Anthropic | 1501.2 | ↓1 / -0.5 | 82,619 | #6 |
| 8 | Gemini 3.8 Flash (High) | 1498.9 | 持平 / 0.0 | 41,423 | #8 | |
| 9 | Claude Opus 4.6 | Anthropic | 1497.0 | 持平 / -0.5 | 87,372 | #9 |
| 10 | Claude Fable 5 (High) | Anthropic | 1491.3 | 持平 / +0.1 | 43,399 | #10 |
2. 总榜变动
2.1 头部变化
前十名里除了第 6、7 名互换，其余 8 个名次原样不动：Muse Wonder (Max) 和 Claude Opus 4.6 (High) 的 Elo 只差 0.5 分。这个差距小于两名模型各自的置信区间，基本等于没动，不必解读成"Meta 反超 Anthropic"。
更值得看的是投票数和分数的反差。这周前十名合计新增约 15,600 票，但没有任何一个模型的分数变化超过 1.0 分。原因不难理解：这些模型的历史票仓都在几千到几万票量级，一周新增的一两千票摊薄之后，对 Elo 的影响自然有限。
榜首也一样。Gemini 4 Argon (High) 的 1532.3 分对应置信区间 1523.5–1541.1，上下各有约 9 分；它的票数只有 4,900，是前十名里最少的一个。它领先第二名 16.1 分，这个差距比区间宽，位置是稳的，但"1532 分"这个绝对值不该被当成精确刻度。
2.2 中段换手
前 80 名按 Elo 变化排序，上升侧是这样：
| 排名 | 模型 | 厂商 | Elo | 周变化 |
|---|---|---|---|---|
| 28 | Claude Sonnet 5.5 (xHigh) | Anthropic | 1472.6 | ↑2 / +2.3 |
| 27 | GLM-5.3 (Max) | 智谱 | 1473.7 | 持平 / +2.2 |
| 14 | Gemini 3.7 Flash (High) | 1488.5 | 持平 / +1.2 | |
| 24 | Kimi K3 (Max) | 月之暗面 | 1475.7 | ↑1 / +1.0 |
| 29 | GLM-5.3-Flash | 智谱 | 1471.4 | 持平 / +0.8 |
下降侧集中得多：
| 排名 | 模型 | 厂商 | Elo | 周变化 |
|---|---|---|---|---|
| 66 | GPT-6.1 Sol (Max) | OpenAI | 1443.4 | ↓9 / -4.3 |
| 47 | MiMo-V2.6-Flash | 小米 | 1452.7 | ↓2 / -2.5 |
| 73 | GPT-6 Astra (Max) | OpenAI | 1441.0 | ↓4 / -1.7 |
| 17 | Muse Spark 1.2 (xHigh) | Meta | 1482.4 | ↓2 / -1.3 |
| 74 | Step 5 Preview | 阶跃星辰 | 1440.3 | ↓1 / -1.1 |
GLM-5.3 (Max) 涨了 2.2 分却排在第 27 名没变，说明这一段分数咬得很紧，零点几分就能压住好几个模型。GPT-6.1 Sol (Max) 是本期唯一跌幅超过 4 分的条目，一周掉 9 位；它在 10 月 20 日仍有 7,453 票，票数还在涨，分数却下来了，属于新增投票里输多赢少的典型。
2.3 新条目辨析
先给结论：这周总榜从 416 个条目变成 417 个，按名称直接比对会看到 46 个"新条目"，但其中 45 个是老模型改了名，真正的新面孔只有一个。
原因是 LMArena 基本完成了命名口径切换。上期 416 个条目里有 389 个还是 slug 形式（claude-opus-4-6），这期只剩 5 个（gpt-oss-120b、o1-preview、o3-mini、o1-mini、gpt-oss-20b），其余全部换成了展示名（Claude Opus 4.6）。切换过程是混装的，直接按字符串 join 会大面积对不上。
几个典型改名，排名和票数都对得上，只是标签不同：
deepseek-v4.1-flash-max→DeepSeek-V4.1-Flash-20260910 (Max)，第 38 名gpt-4-1106-preview→GPT-4 Turbo Preview (1106)，第 287 名hunyuan-hy3-preview→Hy3 preview，第 152 名mistral-medium-2508→Mistral Medium 3.1 (2508)，第 108 名
把名称统一成小写、括号转后缀、./_/空格转连字符之后，这 45 个条目都能一一对上（票数变化在几十到几百之间，符合一周新增的量级）。
真正的新模型是 Reflection 的 Beam 1.0 501B A23B：10 月 20 日首次出现在总榜第 104 名，Elo 1425.4，4,200 票。它在 Hugging Face 博客的发布时间是 10 月 16 日，OpenRouter 也在 10 月 16 日上架，报价每百万 token 输入 0.30 美元、输出 1.00 美元，支持 1M 上下文。名字里的 501B 和 A23B 对应总参数与激活参数，是一个开源的大 MoE。
顺带一个数据处理上的坑：Command R+ 和 Command R 这类带加号的模型，在做字符清洗时加号会被丢掉，Command R+ (08-2024) 和 Command R (08-2024) 会撞成同一个键。归一化之后必须去重，否则条目数会多算。
3. 分项榜
下面的分数只适合在同一类别内部比较。编码榜 1546 分和网页生成榜 1807 分看起来差 260 分，那是两套独立尺度的结果，不能横向排名。
3.1 编码与网页生成
编码榜（10-20 快照）前五：
| 排名 | 模型 | Elo（票数） |
|---|---|---|
| 1 | Gemini 4 Argon (High) | 1546.1（1,236） |
| 2 | Claude Opus 5.5 (High) | 1545.0（2,143） |
| 3 | Claude Opus 4.6 | 1534.4（24,104） |
| 4 | Claude Opus 5 (Max) | 1533.2（8,413） |
| 5 | MiMo-V2.6-Pro | 1533.2（1,102） |
前两名只差 1.1 分，而且票数都在两千上下，谁第一都正常。第三名 Claude Opus 4.6 的 24,104 票比榜首多出近二十倍，分数反而低 10 分，说明新模型在这类任务上的优势是真实的，只是还没积累够票。
网页生成是独立榜单（10-19 快照），口径完全不同：Claude Opus 5.5 (Max) 1807.3、GPT-6 Astra (Max) 1773.8、Claude Sonnet 5.5 (xHigh) 1768.3、GPT-6.1 Sol (Max) 1753.1、Claude Fable 5.1 (Max) 1742.7。Anthropic 和 OpenAI 在这个榜上交替领先，前五没有第三家。
Agent 榜用的是另一套成功率分数（10-20 快照）：Claude Opus 5.5 (Max) 0.209、GPT-6 Astra (Max) 0.147、Claude Fable 5.1 (Max) 0.142、GPT-6.1 Sol (Max) 0.135、Claude Sonnet 5.5 (Max) 0.127。绝对值都很低，说明长链路任务的通过率仍然是短板。
3.2 中文与数学
中文榜（10-20 快照）：
| 排名 | 模型 | Elo（票数） |
|---|---|---|
| 1 | Gemini 4 Argon (High) | 1611.1（361） |
| 2 | Claude Fable 5.1 (Max) | 1583.9（1,198） |
| 3 | Claude Opus 5.5 (High) | 1582.3（860） |
| 4 | Claude Opus 5 (Max) | 1573.0（2,681） |
| 5 | Claude Opus 5 (High) | 1566.8（5,563） |
中文榜的票数明显偏少，第一名只有 361 票，2、3 名之间 1.6 分的差距没有参考价值。Gemini 4 Argon 领先第二名 27 分，这个量级才值得记一笔。
数学榜（10-20 快照）内部换过一次位：Gemini 4 Argon (High) 1536.4 仍第一，Claude Opus 5 (Max) 1533.1 升到第二，Gemini 3.8 Flash (High) 1532.0 从第五升到第三，Claude Opus 5 (High) 1530.9 掉到第四，Claude Fable 5.1 (Max) 1530.8 第五。前五之间只差 5.6 分，其中第一名的票数只有 273，这个排序随时会变。
3.3 视觉与文生图
视觉总榜（10-19 快照）前五全部来自 Anthropic：Claude Fable 5 (High) 1324.9（14,714 票）、Claude Opus 5.5 (High) 1320.8（3,035 票）、Claude Opus 5 (High) 1319.6（17,743 票）、Claude Fable 5.1 (Max) 1319.5（5,026 票）、Claude Opus 4.7 1316.9（23,139 票）。分差在 8 分以内，前三名的先后顺序不必太当真。
文生图榜的最新快照停在 10 月 7 日，已经两周没更新：gpt-image-2.5-sunburst 1424.6、gpt-image-2.5-flare 1397.6、gpt-image-2 (medium) 1383.0、grok-imagine-image-2.0 (canvas) 1333.5、mai-image-2.6 1332.1。前三名被 OpenAI 包揽，而且 sunburst 领先 flare 27 分，是这一节里差距最大的一组。
图像编辑榜（10-20 快照）的排序类似：GPT-Image-2.5 Sunburst 1514.4、GPT-Image-2.5 Flare 1480.7、GPT-Image-2 (Medium) 1460.6、Grok Imagine Image 2.0 1439.4、Gemini Nano Banana 2.1 1426.2。
3.4 写作与指令遵循
创意写作榜（10-20 快照）：
| 排名 | 模型 | Elo（票数） |
|---|---|---|
| 1 | Claude Opus 5.5 (High) | 1534.6（2,241） |
| 2 | Gemini 4 Argon (High) | 1527.2（1,055） |
| 3 | Claude Fable 5.1 (Max) | 1508.8（3,551） |
| 4 | Claude Opus 4.6 (High) | 1505.1（15,218） |
| 5 | Claude Fable 5 (High) | 1493.7（9,368） |
指令遵循榜（10-20 快照）的第一名也是 Claude Opus 5.5 (High)，1537.0 分，Gemini 4 Argon (High) 1533.9 紧随其后，第三到第五是 Claude Opus 4.6 (High) 1521.4、Claude Fable 5.1 (Max) 1518.4、Claude Opus 5 (Max) 1518.0。
两个榜的第一名相同，但含义不一样：写作榜里 Opus 5.5 领先 7.4 分，指令遵循榜只领先 3.1 分，第二名的位置更接近。
4. 开源侧热度
4.1 模型
Hugging Face 趋势榜前十（趋势分为近期相对热度，下载量为 30 天口径）：
| 排名 | 模型 | 趋势分 | 喜欢 | 30 天下载 | 类型 | 创建日 |
|---|---|---|---|---|---|---|
| 1 | DeepSeek-V4.1-Flash-1017 | 1766 | 1,971 | 27,737 | 图文对话 | 10-17 |
| 2 | flux-3-image-klein-comfy | 828 | 1,097 | 439,528 | 图生图 | 10-14 |
| 3 | fishaudio/drama-3 | 686 | 836 | 13,495 | 文生语音 | 10-01 |
| 4 | Muse-Spark-Open-816B-A42B | 555 | 612 | 2,592 | 图文对话 | 09-15 |
| 5 | google/embeddinggemma-2 | 509 | 2,771 | 172,474 | 特征提取 | 09-14 |
| 6 | flux-3-image-klein | 507 | 568 | 78,897 | 图生图 | 10-13 |
| 7 | MOSS-Image-SFT | 466 | 498 | 4,547 | 文生图 | 10-11 |
| 8 | jialinyyzz/humanizer | 441 | 2,026 | 115,341 | 文本生成 | 09-11 |
| 9 | Lightricks/LTX-2.5 | 432 | 8,629 | 2,039,447 | 图生视频 | 07-23 |
| 10 | MOSS-Image-Base | 415 | 438 | 3,558 | 文生图 | 10-11 |
这张表要分两种读法。DeepSeek-V4.1-Flash-1017 是本期新增热度：4 天拿到 1,971 个喜欢，趋势分 1766 远超第二名，但累计下载只有 2.7 万。LTX-2.5 是另一种情况：趋势分 432 排第九，30 天下载约 204 万、喜欢 8,629，属于长期积累，不是本周爆发。
flux-3-image-klein 两个仓库同时在前十（ComfyUI 版和基础版），合计下载超过 51 万，是本周开源图像侧最实在的流量。
4.2 数据集与 Space
数据集趋势前五：nvidia/Nemotron-Personas-Vietnam（97 分 / 182 喜欢 / 10,890 下载）、datasocial/tiktok-5.6B-videos（86 / 392 / 25,678）、一个 A 股 Level-2 逐笔委托数据集（65 / 383 / 151,421）、Vyber07/cyber-security（50 / 217 / 3,509）、DeepLethe/FDE-Gym（46 / 60 / 353）。
Space 趋势前五：kulkas2pintu/wan777（164 分 / 745 喜欢）、black-forest-labs/flux-3-image-klein（138 / 142）、hugging-apps/bfs-best-face-swap（135 / 403）、multimodalart/jev-decision-index（108 / 751）、OpenMOSS-Team/MOSS-Image（102 / 113）。Space 的趋势分最高 164 分，低于模型榜但高于数据集榜；前五里有三个是图像类演示，和上面的模型热度对得上。
5. 价格与上下文
5.1 本周新增
OpenRouter 当前收录 468 个条目，剔掉 7 个负价占位路由后，439 个是正常计费的付费模型，20 个是零价条目，另有 2 个只对输入计费。窗口内（10-14 至 10-20）新上架的条目有 17 个，其中值得单独列出的：
| 模型 | 上下文 | 输入价 | 输出价 | 上架 |
|---|---|---|---|---|
| google/gemini-4-argon | 1,048,576 | 2.00 | 10.00 | 10-14 |
| google/gemini-4-argon:batch | 1,048,576 | 1.00 | 5.00 | 10-14 |
| meta/muse-spark-open | 1,048,576 | 1.25 | 4.25 | 10-16 |
| reflection/beam-1.0-501b-a23b | 1,048,576 | 0.30 | 1.00 | 10-16 |
| deepseek/deepseek-v4.1-flash-1017 | 1,048,576 | 0.30 | 1.20 | 10-17 |
| nvidia/nemotron-3.5-super-vl | 1,048,576 | 0.15 | 0.50 | 10-15 |
| inception/mercury-3 | 1,000,000 | 0.10 | 0.35 | 10-16 |
| unbiased/pareto-26.10 | 1,048,576 | 0.80 | 3.20 | 10-15 |
| elorian/glimpse | 262,144 | 0.60 | 3.00 | 10-17 |
| liquid/lfm-2.5-24b-a2b | 128,000 | 0.05 | 0.70 | 10-14 |
| moondream/moondream3.1-9b-a2b | 32,000 | 0.30 | 2.50 | 10-16 |
| xingchen-agi/xing4.0-29b-a4b:free | 262,144 | 0 | 0 | 10-17 |
| minimax/minimax-m3.1-flash:free | 1,000,000 | 0 | 0 | 10-19 |
价格单位都是每百万 token、美元。窗口内新上架的 17 个条目里有 11 个支持 100 万 token 以上上下文，长上下文已经成了新模型的默认配置，而不是卖点。
Gemini 4 Argon 是这批里最贵的，输出价 10 美元，是 Beam 1.0 的十倍；但它的批处理版本直接打了五折。Beam 1.0、DeepSeek-V4.1-Flash、Nemotron-3.5-Super-VL 三家不约而同把 1M 上下文的输出价压在 0.5–1.2 美元区间。
5.2 价格分层
439 个付费模型的输出价中位数是每百万 2.00 美元，区间从 0.03 美元到 600 美元（o1-pro）；输入价中位数 0.50 美元，区间 0.02–150 美元。
按输出价分层看得更清楚：
- 低于 1 美元：150 个，占 34%
- 1–3 美元：108 个，占 25%
- 3–10 美元：85 个，占 19%
- 10–30 美元：71 个，占 16%
- 30 美元以上：25 个，占 6%
支持 100 万 token 以上上下文的付费模型有 178 个，占 40.5%。这个比例看着高，但长上下文并不等于高价：1M 上下文里输出价最低的一档已经到 0.12–0.13 美元（GLM-5.3-Flash、Qwen3.7-Flash），比整体中位数低一个数量级。
免费条目 20 个，多数是 :free 后缀的限流版本，上下文从 6.5 万到 100 万不等，适合试用，不适合算成本账。
6. 本周发布
窗口内的发布集中在开源侧，和榜单、价格数据能对上：
- 10-16，Reflection 发布 Beam 1.0（501B 总参数 / 23B 激活），Hugging Face 博客与模型仓库同日上线，OpenRouter 当天上架。10-20 的 LMArena 总榜上，它以第 104 名首次出现，是这个窗口里唯一真正的新模型条目。
- 10-15，Meta 发布 Muse Spark Open（816B-A42B），开源权重的多模态 MoE。它进入了 Hugging Face 趋势第四（612 喜欢），但 10-20 的 LMArena 总榜还没有它的条目。
- 10-15，IBM 发布 Granite Switch 4.1，一个端点同时提供对话、决策和语音能力；同一天 Swiss AI 发布 Apertus 1.5 的更新说明，Black Forest Labs 的 FLUX.3 Image Klein 进入 Diffusers。
- 10-19 至 10-20，Hugging Face 博客还有 TorchNeuron、MPS in PyTorch 2.15、Cosmos3-H-Dreams 等工程与生成式仿真文章，属于工具链更新，不涉及新的通用模型。
OpenAI 在这个窗口里没有发布新模型，博客条目以客户案例、低资源编程语言支持和 GPT-Rosalind 学术计划为主。Google 的模型发布博客停在 10-13 的 Gemini 4 Argon，早于本期窗口；本周窗口内只有一篇数字经济报告。
7. 本期观察
第一，头部已经冻结，读榜要看区间而不是名次。 前十名这周新增约 15,600 票，分数最多变动 1.0 分，8 个名次没动。Gemini 4 Argon 的置信区间有 ±9 分，Claude Opus 4.6 有 87,372 票，两者的"分数精度"完全不是一回事。下次看到"某某反超 0.3 分"，先看两边的区间有没有重叠。
第二，开源模型靠大 MoE 加低价切入。 Beam 1.0 是 501B 总参数、23B 激活，1M 上下文，输出价 1 美元；DeepSeek-V4.1-Flash-1017 同样 1M 上下文，输出价 1.20 美元，4 天在 Hugging Face 拿到 1,971 个喜欢。总榜 417 个条目里开源许可占 226 个（54%），但前 100 名只有 29 个（29%），数量多、头部少，靠的是性价比而不是榜首位置。
第三，"新条目"绝大多数是改名。 46 个新键里 45 个是老模型换了展示名。任何自动化周报如果不做名称归一化和后缀核验，都会把这周写成"45 个新模型发布"，这是最典型的假信号。
第四，长上下文不再溢价。 40.5% 的付费模型支持 1M 以上上下文，1M 档最低输出价已经到 0.12 美元/百万 token；与此同时输出价中位数仍是 2.00 美元，34% 的模型低于 1 美元。上下文长度正在从"高端配置"变成"基础配置"，价格差异更多来自模型本身的能力档位。
8. 能力指数 TOP30
LMArena 量的是人类盲测偏好，另一套常被引用的口径是 Artificial Analysis 的 Intelligence Index：把 GPQA、Humanity's Last Exam、SciCode、MMMU-Pro、Terminal-Bench 等十来项评测合成一个 0–100 的分数。两套分数不能互换，1540 分的 Elo 和 58 分的指数说的不是同一件事。
下面是 2026 年 10 月 23 日的快照：
这张图和上面的 Elo 榜有几处不同，值得对照着看：
- 头部是清一色闭源。Claude Opus 5.5 与 Sonnet 5.5 占据前二，第三是 Meta 的 Muse Wonder Full；而在 Elo 榜里 Meta 的最好成绩只是第 6。
- 中国厂商占了 30 席里的 14 席，第 10 到第 24 名的 15 个位置里更是占了 12 个，中段密度比 Elo 榜更高。
- 开源权重里分数最高的是小米 MiMo-V2.6-Pro，第 10 名、46 分；前九名全是闭源模型。
- 头尾差 23 分（58 对 35），第一名到第十名之间就拉开了 12 分，梯队层次比 Elo 榜更明显。
读这张图有两个前提：同一模型不同推理档位只取最高分，所以图上分数对应"最强档"，不代表默认调用的表现；带 * 的是估算值，说明部分评测项缺样本。
9. 数据说明
LMArena 是一个众包的人类盲测榜单：用户同时看到两个匿名模型的回答，投票选出更好的那个，再用统计模型把胜负关系折算成分数。这里的分数接近 Elo 体系，可以粗略理解为相对强度，100 分差大约对应 64% 的胜率，50 分差大约对应 57%。
分数不是绝对刻度。票数越少，置信区间越宽。这一期中文榜第一名只有 361 票，数学榜第一名只有 273 票，这类位置的排序很容易被几十票改变；反过来，Claude Opus 4.6 有 87,372 票，它的分数一周内几乎不会动。看榜时把票数和区间一起看，比只看名次靠谱。
榜单也有偏好。投票者以英文提示为主，任务偏开放式对话和写作，对代码、数学这类有客观答案的场景，样本量明显更小。网页生成、视觉、文生图各自是独立尺度，1800 分档和 1500 分档之间没有可比性，跨类别比分数没有意义。
时间口径上，本期覆盖 10 月 14 日 00:00 到 10 月 21 日 00:00。总榜对比的是 10-15 和 10-20 两次相邻快照，间隔 5 天，不是整 7 天。各分项榜的更新节奏不同：视觉和网页生成停在 10-19，文生图停在 10-07，搜索停在 10-13，文档理解停在 09-13，这些榜的"本周"只能当作最近一次快照来读。
最后是命名口径。10 月 15 日前后，榜单把模型标识从 slug 改成了展示名，切换期两种写法混装。本文在比对时统一转小写、把末尾括号转成后缀、把点、下划线和空格转成连字符，再去掉非法字符。即便如此仍会遇到 Command R+ 和 Command R 这类撞键，需要去重后人工核对。所以文中的"新条目"一律指归一化之后仍找不到上期记录的条目，再经过后缀核验才认定为新模型。