谁更聪明？
先看清谁在怎么测。
同一句"最强模型"，在不同的榜上能给出完全不同的答案。这一页只做三件事：用同一把尺子把全球模型排成一列，看清中美两个阵营各自站在哪，再把值得收藏的测评入口整理成一个能直接用的目录。
Intelligence Index v4.3.2
数据来源：artificialanalysis.ai Intelligence Index v4.3.2，交叉核对 Tech Times（2026-10-23）、BenchmarkList（2026-10-18）与券商周报口径。价格口径为 OpenRouter 混合价（3 份输入比 1 份输出）。
同一条尺子，
三段台阶。
先看世界，再看两个阵营。横轴统一起点在 40 分，所以三段柱子的长度可以直接对比——这是这张图唯一的价值所在。
世界WORLD
两个阵营US × CN
为什么不能把两个榜的分数放一起
本页用的是 AA 智能指数，区间大约 10–60，榜首 57.6；而中文语境常用的 SuperCLUE 智能指数是百分制，2026 年 7 月榜首 72.6。两个数字背后是完全不同的题集与打分逻辑，放在一起比较没有意义。能比的是同一榜单内的排名，和同一版本内的前后变化。
所以这一页怎么读
看世界那一段，只看谁在前、差距多少；看阵营那一段，看整体重心在哪。原始分数请回 artificialanalysis.ai 核对，本页只做阅读辅助，不替代官方榜单。
差 11.3 分，
便宜 45 倍。
榜首之争结束得很快，代价讨论才刚开始。同样的智能水平差一个身位，成本差一到两个数量级——这才是绝大多数人要做的选择。第三方评估（美国 CAISI）认为最强国产模型大致落后前沿约 8 个月。
十一个入口，
五个够用。
同类站点做了去重：一个用途只留一个主入口，其余降级为交叉复核。标了 CORE 的五个，覆盖日常 90% 的判断需求。
全球最有影响力的人类盲评对战榜。匿名对比两个模型的回答、投票算 Elo，覆盖文本、代码、视觉、文生图、文生视频。
把智能水平、速度、价格放进同一张图的独立第三方横评，数据最全。另有 FrontierCode，测模型写的代码会不会被维护者合并。
开源模型最权威的榜。v2 用 IFEval、BBH、MATH、GPQA、MUSR、MMLU-Pro 六维综合，国产开源长期霸榜。
题目每半年轮换一次，确保模型没法背题。2.0 版改用真实长任务打分：写方案、修 bug、做一个 app。
用真实 GitHub issue 测修复能力，选编程模型必看。OpenAI、Anthropic 发新模型都会引用它的成绩。
斯坦福的全维度评测框架：准确性、效率、鲁棒性、偏见一并看。2026 年 6 月起进入维护模式，不再新增评测，历史结果仍可查。
把各家公开基准成绩、价格、延迟聚合在一张表里，适合快速"一眼对比"。不作为一级信源，用来交叉复核。
较新的综合聚合榜，用 BenchAlign 综合分排序，2026 年 10 月仍在更新。适合当补充视角，别当唯一依据。
国内更新最频繁的中文榜之一：通用能力、编程竞技场、多模态 VLM、文生图等子榜，全部中文语境实测，按月更新。
覆盖语言、推理、知识、数学、代码、指令跟随、智能体多个维度，国内综合影响力最大、方法论文档最完整的评测体系之一。
覆盖 800 多个开源与闭源模型，特色是"大模型角斗场"：辩论赛、对决赛这类直接对抗玩法，看模型现场表现。
曾经的中文知识评测经典，官方已停止维护榜单与公开测试集，实测官网超时失联。不要再当榜单用，论文里引用可以。
2025 年 7 月被 Meta 关闭，SOTA 榜功能由 Hugging Face 等接替。旧链接还会出现在收藏夹里，别点。
中文的"AI 应用大众点评"，测的是产品体验而不是模型本身。看应用侧口碑可以来，想判断模型能力别来。
按问题选榜，
不要按习惯选。
每个榜都有自己的偏见。你手上是什么问题，就决定了该信哪个榜。
榜单是一把尺子，不是答案。
把你自己的工作流跑一遍，再回来看分数——你会有自己的排序，也知道该信哪一段。
AI 前沿与全球动向
模型之外，还有算力、Agent 和产业变化。