一、为什么要看多源评测

大模型的能力早已不能用一个分数概括。一个在数学基准上跑出 SOTA 的模型，可能在中文指令遵循上不及格；一个在人类盲评中口碑极佳的模型，可能在 SWE-bench 上连现有的工程代码都改不明白。这就是单一评测的局限：每个基准只测量了能力的一个切面。

2026 年的大模型评测生态已经相当成熟，但同时也更加碎片化：

  • 学术基准（MMLU-PRO、GPQA、HumanEval 等）题目固定，容易被训练数据污染，导致分数虚高。
  • 众包盲评（LM Arena）反映真实人类偏好，但投票者水平参差，且偏向"听起来流畅"而非"事实上正确"。
  • 商业评测（Artificial Analysis）维度全面但方法论不一定透明。
  • 中文专项（SuperCLUE）覆盖中文语境的独特需求，但国际模型参与度有限。
  • 开源社区（HF Leaderboard）只覆盖开源权重模型，闭源旗舰完全缺席。

因此，选型时必须综合多个来源：看看盲评（人类喜不喜欢）、看看学术基准（硬指标过不过关）、看看抗污染评测（分数有没有水分）、再看看中文专项（中文场景行不行）。本文梳理了 2026 年 6 月六大权威评测平台的最新数据，帮你做这件事。

二、六大权威评测平台

1. LM Arena (LMSYS)

网址：lmarena.ai

全球最大规模的众包盲评平台，截至 2026 年 6 月已累积超过 420 万人类投票，覆盖 258 个模型。核心机制是经典的 Elo 评分系统 —— 两个模型匿名回答同一个问题，人类投票选出更优者，胜者加分、败者减分，反复迭代后 Elo 分收敛到模型的"真实实力"附近。

LM Arena 的独特价值在于它测的是人类主观偏好，而非某个标准答案的匹配率。这对"聊天助手"类场景特别有意义 —— 毕竟用户不关心你 GPQA 考了多少分，只关心你的回答是不是有帮助。

2026 年 6 月 LM Arena 综合排名前五：

排名模型Elo 分
1Gemini 3 Pro1489
2Grok 4.1 Thinking1477
3Gemini 3 Flash1471
4Claude Opus 4.5 Thinking1468
5Claude Opus 4.51467

LM Arena 还细分为多个分类榜单（文本、代码、视觉、图像生成、视频、搜索增强等），不同分类的排名会有明显差异。

Code Arena: Frontend（前端代码）

2026 年 6 月，Arena 发布了全新的 Code Arena: Frontend 排行榜，专门评测模型在前端 Web 开发任务上的表现。Claude Fable 5 以 1,664 分断层领先，比第二名高出近 100 分：

Code Arena: Frontend 排行榜

排名模型Arena Score
1Claude Fable 51,664
2Claude Opus 4.7 (Thinking)1,566
3Claude Opus 4.8 (Thinking)1,558
4Claude Opus 4.71,556
5Claude Opus 4.81,544
8Qwen-3.7 Max1,534
9GLM-5.11,532（开源第一）
10Claude Sonnet 4.61,522
14Gemini-3.5 Flash1,506
15GPT-5.5 xHigh1,501

数据来源：Arena.ai Code Arena: Frontend，2026 年 6 月 11 日快照

Fable 5 在所有子分类（HTML、React）和所有子类别（品牌营销、参考设计、数据分析、消费产品、游戏、模拟、内容）中均排名第一。Claude 系列占据了前 10 名中的 7 席，在前端代码领域的统治力十分显著。GLM-5.1 以 1,532 分排名开源第一，超越了 GPT-5.5 xHigh（1,501）。

2. Artificial Analysis

网址：artificialanalysis.ai

独立评测机构，核心产品是"模型智能指数"—— 综合 10 项权威评测基准的归一化分数，覆盖 536 个模型。它最大的特色是提供了一个三维对比视图：智能 vs 价格 vs 速度，让选型决策不再只看"谁最强"，而是看"谁最值"。

2026 年 6 月，Claude Fable 5 登顶智能指数第一名。这个结果值得关注，因为 Artificial Analysis 的 10 项基准涵盖数学、推理、代码、指令遵循等多个维度，不是某个单一强项就能拉高总分的。

2026 年 6 月智能指数排名（选取关键模型）：

排名模型智能指数备注
1Claude Fable 565总榜第一
~2Claude Opus 4.8~61.4
~10DeepSeek-V4-Pro~53
~37GLM-5.1 (Reasoning)51开源第一
~37GLM-5.1 (Non-Reasoning)44开源第二
~40Qwen3.6-35B-A3B43

Artificial Analysis 还提供实时的吞吐量和延迟对比数据，这对生产环境的模型选型至关重要 —— 一个在基准上高 2 分但延迟翻倍的模型，在在线服务场景下往往不是好选择。

在开源模型维度上，GLM-5.1 (Reasoning) 以智能指数 51 排名开源第一。对比闭源第一的 Claude Fable 5（65 分），差距约 14 分，但考虑到闭源模型的价格通常是开源方案的 5-10 倍，开源方案的性价比优势明显。

3. SuperCLUE

网址：superclue.ai

中文大模型权威评测平台，独立运营，月度更新。评测体系覆盖 6 个核心维度：幻觉控制、数学推理、科学知识、代码能力、指令遵循、Agent 规划，全部使用 702 道原创题目，确保不被训练数据污染。

2026 年 6 月国内模型排名：

排名模型总分
1DeepSeek-V4-Pro70.48
2Qwen3.7-Max70.22
3Doubao-Seed-2.0-pro69.96
4Kimi-K2.668.66

作为国际参考，SuperCLUE 也评测了海外模型：

模型总分
Gemini-3.1-Pro75.73
GPT-5.574.27
Claude-Opus-4.873.93

可以看到，海外旗舰模型在中文评测中依然保持 4-6 分的领先，但差距在持续缩小。DeepSeek-V4-Pro 的 70.48 分已经接近 Claude-Opus-4.8 的 73.93，而且 DeepSeek 的 API 价格远低于海外模型。

关于 GLM-5.1 在 SuperCLUE 中的表现：在 2026 年 5 月评测（23 个模型、492 道原创题）中，GLM-5.1 的代码生成得分接近全球顶尖水平，距 Claude Opus 4.6 仅差约 3 分；中文能力在国产模型中排名前列。需要指出的是，GLM-5.1 未直接出现在 6 月 SuperCLUE 榜单前四，但 SuperCLUE 的评测题目全部为原创、每月更新，模型排名波动较大，单月排名仅供参考。

4. OpenCompass

网址：opencompass.org.cn

由上海 AI Lab 维护的开源评测平台，学术级可信度。与商业评测不同，OpenCompass 的评测代码完全开源，任何人都可以审查方法论、复现结果、甚至提交自定义评测基准。

OpenCompass 覆盖的维度包括：

  • LLM 综合：语言理解、推理、数学、代码、长文本等
  • 多模态：图文理解、视频理解、图像生成
  • Agent 能力：工具调用、任务规划、多轮对话
  • 安全与对齐：偏见、毒性、隐私泄露

OpenCompass 的优势在于可复现性：它的排行榜每条结果都附带完整的评测配置和环境信息，不像某些闭源评测只能看最终分数。对于有学术需求或需要内部评测的团队，OpenCompass 是最可靠的基础设施。

以 OpenCompass 2.0 榜单中的部分参考数据为例（前代 GLM-4 的成绩）：

模型语言维度知识维度
GLM-4（前代）57.768.9

GLM-5/5.1 在国产模型综合排名中位列前列，但 OpenCompass 榜单更新频繁且维度众多，具体排名会随评测批次变化。建议直接访问 rank.opencompass.org.cn 查看最新完整榜单。

5. LiveBench

网址：livebench.ai

LiveBench 是 2025 年 ICLR Spotlight 论文提出的评测框架，核心理念只有一个：抗数据污染。具体做法是：

  • 所有题目均为新创作，不来自已有数据集
  • 23 个任务覆盖 7 个能力类别
  • 题目每 6 个月全部更新，旧题作废

这意味着模型无法通过"刷题"获得高分 —— 你在 LiveBench 上看到的分数，就是模型面对从未见过的问题时的真实表现。

2026 年 6 月 LiveBench 排名（Thinking 模式）：

排名模型总分
1GPT-5.5 Thinking80.71
2GPT-5.4 Thinking80.28
3Gemini 3.1 Pro79.93
4Claude Fable 5 Thinking78.31

而在非 Thinking（标准模式）排名中，格局截然不同：

排名模型总分
1GLM 568.85
2GPT-5.1 Codex68.61
3Claude Sonnet 4.5 Thinking68.19
4Grok 4.20 Beta67.96

GLM 5（非 5.1）在 LiveBench 非 Thinking 模式中登顶，这是中国模型首次在 LiveBench 上排名第一，意义重大。更新版本的 GLM-5.1 虽然未直接参与 LiveBench 排名，但其内部评测成绩更高：

  • Mathematics: 84.9%
  • Coding: 75.4%
  • 12 项基准测试平均: 70.2%

OpenAI 的 Thinking 系列在 Thinking 模式排名中依然表现强势，说明其推理能力具备真正的泛化性。但也要注意，LiveBench 的任务设计偏学术，对工业场景的代表性有限。

6. HuggingFace Open LLM Leaderboard

网址：HuggingFace Open LLM Leaderboard

全球最大的开源 LLM 评测社区。顾名思义，它只评测开源权重模型，闭源 API 模型（GPT、Claude、Gemini 等）不参与排名。测试维度固定为 6 项：

  • IFEval — 指令遵循能力
  • BBH — 高难度推理
  • MATH — 数学推理
  • GPQA — 研究生级别科学问答
  • MUSR — 多步软推理
  • MMLU-PRO — 大规模多任务语言理解（增强版）

2026 年 6 月，开源模型的头部阵营由 Qwen 3 系列和 Llama 4 系列占据。但最受关注的开源模型是 GLM-5.1：

项目信息
开源日期2026 年 4 月 8 日
协议MIT（允许商用）
总参数744B（MoE，256 专家，40B 激活）
上下文窗口200K tokens
权重地址zai-org/GLM-5.1
Code Arena开源第一（Elo 1506，全球 #3）
Artificial Analysis开源第一（智能指数 51）

GLM-5.1 是目前开源社区最大的可用模型之一。开源最强模型与闭源旗舰之间的差距仍然显著 —— 在 LiveBench 上，开源最高分大约只有闭源第一名的 85% 左右。但开源模型的优势在于可以私有化部署、完全控制数据隐私，且无 API 调用成本。

值得一提的是推理速度的突破：2026 年 6 月 9 日，小米 MiMo 团队与 TileRT 联合发布的 MiMo-V2.5-Pro-UltraSpeed 在万亿参数模型上首次突破 1000 tokens/s 推理速度，仅需 8 张通用 GPU。这标志着开源模型在推理效率上也具备了与闭源 API 服务竞争的能力。

三、GLM-5.1 / GLM-5.2 深度解析

🔴 最新：GLM-5.2 已于 6 月 17 日正式开源

2026 年 6 月 13 日 17:21，智谱发布 GLM-5.2，面向 GLM Coding Plan 全量用户开放（Lite / Pro / Max / 团队版）。6 月 17 日 Z.ai 正式以 MIT 协议开源，权重全量发布到 HuggingFace / ModelScope，完全商业可用、无国界限制。智谱称其为"迄今能力最强的开源模型"。

GLM-5.2 相比 GLM-5.1 的实测提升（官方数据 + 第三方评测汇总）：

基准GLM-5.1GLM-5.2提升
SWE-Bench Pro58.462.1+3.7
Terminal Bench 2.163.581.0🔥 +17.5
AIME 202695.399.2+3.9
总参数（MoE）745B753B—
上下文200K1M（无损）5 倍

核心亮点：

  • 真正可用的 1M 无损上下文 —— 全球首个支持 1M 无损上下文的开源模型，能完整承载超大型软件工程项目
  • Terminal Bench 暴涨 17.5 分（63.5→81.0）—— Agentic Coding（智能体在终端自主编程）能力大幅跃升
  • 业界评价：**"国内第一款在工作流上达到 Opus 级的模型"**、"如果用的是 GLM-5.2 冒充 Opus，你可能分辨不出来"
  • 成本仅为 GPT-5.5 的约 1/6，性价比断层领先

智谱官方喊话："在一些前沿模型突然变得不可用的时刻……前沿智能不应只属于少数人，也不应被少数规则随时收回。" 这是对 Anthropic Mythos 5 限定版、Fable 5 曾被"暂缓"的明显回应。GLM 版本线：GLM-5.1（3 月，200K）→ GLM-5.1-HighSpeed（5 月，400 TPS）→ GLM-5.2（6/13 发布，6/17 开源，1M + MIT）。以下为 GLM-5.1 的详细基准数据。

GLM-5.1：开源阵营的里程碑

模型简介

智谱 AI（Z.AI）于 2026 年 4 月 7 日正式发布 GLM-5.1，这是开源大模型领域一次里程碑式的发布。架构上采用 MoE（混合专家）设计，总参数量 744B（256 个专家），每次推理激活 40B 参数，在保持大模型能力的同时有效控制推理成本。模型支持 200K 上下文窗口，预训练数据量达 28.5T tokens。

最引人注目的是训练基础设施：GLM-5.1 全程使用华为昇腾 910B 芯片训练，零 NVIDIA 芯片参与。这在全球顶级大模型中尚属首次，证明了国产 AI 芯片在大规模训练中的可行性。模型以 MIT 协议开源，允许商用，权重托管在 HuggingFace。

核心基准成绩

基准GLM-5.1 成绩参考对比
SWE-Bench Pro58.4Claude Opus 4.6: 57.3, GPT-5.4: 57.7
SWE-bench Verified77.8%开源第一
AIME 202695.83%数学推理顶级
Code Arena (LM Arena)Elo 1506, #3开源第一
LiveBench Mathematics84.9%-
LiveBench Coding75.4%-
Artificial Analysis 智能指数51 (Reasoning)开源第一

代码能力专题

综合 SWE-Bench Pro + Terminal-Bench 2.0 + NL2Repo 三项编码评测，GLM-5.1 的代码能力位列全球第三、开源第一。几个关键数据点：

  • SWE-Bench Pro 58.4，超越 Claude Opus 4.6（57.3）和 GPT-5.4（57.7），这是开源模型首次在 SWE-Bench Pro 上超越闭源旗舰
  • Claude Code 编码评测 45.3 分，相比上一代 GLM-5 的 35.4 分提升约 28%
  • 在 LM Arena Code Arena 上 Elo 1506 排名全球第三，超越 Claude Sonnet 4.6 等闭源模型

API 定价

GLM-5.1 的 API 定价在同能力级别中极具竞争力：

  • 智谱官方：输入 6-8 元/M tokens，输出 24-28 元/M tokens
  • 国际 API (Z.AI)：$1.40/$4.40 per M tokens
  • GLM-5.1-HighSpeed：输出速度达 400 tokens/s，输出价格仅 1.3 元/M tokens，性价比极高

HighSpeed 版本特别适合高并发、低延迟场景 —— 400 tokens/s 的输出速度是目前主流旗舰模型的 2-4 倍，而价格仅为标准版的约 1/20。

与闭源旗舰的差距

客观来说，GLM-5.1 作为开源模型已经非常接近闭源旗舰水平，在代码领域甚至超越部分闭源模型。但在以下方面与 Claude Opus、GPT-5.5 等闭源旗舰仍有可感知的差距：

  • 多模态：GLM-5.1 目前不支持视觉/图像理解，而 Gemini 3 Pro 和 Claude Opus 已具备成熟的多模态能力
  • 长上下文推理：虽然支持 200K 上下文，但在超长文档的复杂推理（如长篇报告分析、多轮代码重构）上，与 Opus 级别仍有差距
  • 工具调用 / Agent 能力：在复杂多步工具编排、自主决策等 Agent 场景中，闭源旗舰的稳定性和准确性仍优于 GLM-5.1

不过，考虑到 MIT 协议的可私有化部署、华为昇腾训练的国产化路径、以及极具竞争力的 API 定价，GLM-5.1 的综合价值在许多场景下已经超越了单纯的"跑分对比"。

四、各维度冠军一览

综合六大平台的数据，按关键维度汇总当前领先者：

维度 冠军模型 来源
人类偏好（综合）Gemini 3 ProLM Arena
智能指数Claude Fable 5Artificial Analysis
中文能力DeepSeek-V4-Pro（国内）SuperCLUE
抗污染基准GPT-5.5 ThinkingLiveBench
开源模型GLM-5.1Artificial Analysis
编程 (SWE-bench Verified)Claude Fable 5（95.0%）多源综合
编程 (SWE-Bench Pro，开源)GLM-5.1（58.4）多源综合
推理速度MiMo-V2.5-Pro-UltraSpeed（1000 TPS）小米官方
性价比Gemini 3 FlashArtificial Analysis
开源最强GLM-5.1Artificial Analysis + LiveBench

这个表揭示了一个关键事实：没有"全能冠军"。Gemini 在人类偏好上领先但编程不是最强，Claude 在编程和智能指数上登顶但中文评测不是第一，GPT 在抗污染推理上碾压但在盲评中排名不是最高，GLM-5.1 在开源领域全面领先但尚不支持多模态。这正是多源评测的价值所在 —— 选型必须围绕你的核心场景。

五、如何选择适合自己的模型

基于以上评测数据，按典型场景给出选型建议：

  • 编程 Agent / IDE 插件：Claude Opus 4.8 依然是最强选择（SWE-bench 领先），日常用 Sonnet 4.6 性价比极高。如果需要更低的 API 延迟，GPT-5 在代码生成速度上有优势。GLM-5.1 在 SWE-Bench Pro 上超越 Opus 4.6 和 GPT-5.4，是开源代码能力的最强选择。
  • 通用对话 / 客服机器人：Gemini 3 Pro 在 LM Arena 盲评中排名第一，说明人类用户普遍认为它的回答质量最高。GPT-4.1 是平价替代。
  • 中文内容创作 / 中文场景：成本敏感选 DeepSeek-V4-Pro（中文第二，价格极低）；追求极致质量选 Gemini-3.1-Pro（中文评测最高分）。作为国产模型，GLM-5.1 也是一个值得关注的选项，代码和数学能力突出，中文表达自然流畅。
  • 成本优先 / 高频调用：Gemini 3 Flash 在 Artificial Analysis 的性价比维度上一骑绝尘 —— 速度快、价格低、质量还不错。Claude Haiku 4.5 是另一个低价选项。GLM-5.1-HighSpeed 输出速度达 400 tokens/s，输出价格仅 1.3 元/M tokens，在高并发场景下极具竞争力。
  • 数据隐私 / 私有化部署：GLM-5.1 以 MIT 协议开源，是目前开源代码能力最强的模型，支持完全离线私有化部署。Qwen 3 系列和 Llama 4 也是成熟的开源选项。
  • 复杂推理 / 科学计算：GPT-5.5 Thinking 在抗污染基准上大幅领先，说明其推理泛化能力最强。Claude Opus 4.5 Thinking 紧随其后。
  • 多模态（图像理解/视频分析）：Gemini 3 Pro 的多模态能力在多个评测中领先，且 2M 上下文窗口在处理长视频或大量图片时有天然优势。注意 GLM-5.1 目前不支持视觉/多模态。

现实中的最优策略往往是混合调度：日常对话走便宜的模型，遇到复杂任务自动升级到旗舰模型。一个好的模型管理平台应该能根据请求复杂度自动分配到最合适的模型 —— 既不浪费钱，也不牺牲质量。

六、数据来源说明

本文所有数据来自各评测平台 2026 年 6 月的公开信息：

大模型迭代速度极快，评测排名会随时间变化。本文数据反映的是 2026 年 6 月的快照，建议定期关注各平台获取最新排名。如果本文数据已明显过时，欢迎留言提醒更新。