LMArena และลีดเดอร์บอร์ด LLM: ผู้วัดสามแบบ สามคำถามที่แตกต่างกัน

เมื่อวันที่ 19 กุมภาพันธ์ 2026 Artificial Analysis ได้เผยแพร่บทความพาดหัวว่า “Gemini 3.1 Pro Preview: ผู้นำคนใหม่ในวงการ AI” โดยโมเดลนี้เป็นผู้นำใน 6 จาก 10 การประเมิน และนำ Claude Opus 4.6 อยู่สี่คะแนน หากวันนี้เปิดหน้าโมเดลเดียวกันนั้น ตัวเลขกลับเป็น 30 อยู่อันดับ 69 จาก 200 Google ไม่ได้เปลี่ยนแปลงสิ่งใด สิ่งที่เปลี่ยนไปคือไม้บรรทัดวัด: เมื่อวันที่ 19 กันยายน 2026 Artificial Analysis ได้ปรับ Intelligence Index เป็น v4.3.2 ปลด Terminal-Bench 2.1 ออกโดยหันมาใช้ Terminal-Bench 4.0 แทน สลับ tau3-Banking เป็น AutomationBench-AA และกำหนดจุดยึดใหม่ให้สเกล Elo ของ GDPval-AA ผู้นำของเดือนกุมภาพันธ์กลายเป็นผู้อยู่กลางตารางของเดือนกันยายน เพราะเครื่องมือวัดได้เคลื่อนไปข้างใต้มัน

เหตุการณ์เพียงครั้งเดียวนั้นคือเหตุผลทั้งหมดที่ต้องเรียนรู้ที่จะอ่านกระดานจัดอันดับเหล่านี้ให้ถูกต้อง Claude Opus 5.5 กับ Claude Fable 5.1, Kimi K3.1 Pro กับ MiniMax M3.1 Flash และทุกโมเดลที่อยู่ระหว่างนั้น กำลังถูกให้คะแนนด้วยอย่างน้อยสามสิ่งที่ไม่เข้ากันในเวลาเดียวกัน และการค้นหาที่พาคนมาที่นี่ — lmarena, llm ranking, โมเดลไหนดีที่สุดจริง ๆ — ล้วนสันนิษฐานว่ามีคำตอบเดียว แต่มีอยู่สามคำตอบ และแต่ละคำตอบก็ตอบคำถามที่ต่างกัน

สกอร์บอร์ดสามแบบ สามคำถามที่ต่างกัน

ตัวเลขทุกตัวที่คุณเห็นบนกระดานจัดอันดับมาจากหนึ่งในสามตระกูล และตระกูลของตัวเลขนั้นเป็นตัวกำหนดว่าตัวเลขนั้นบอกอะไรกับคุณได้และบอกอะไรไม่ได้

สนามประลองจากฝูงชน LMArena แสดงเอาต์พุตจากโมเดลนิรนามสองตัวสำหรับพรอมป์ต์หนึ่งรายการ บุคคลหนึ่งเลือกผู้ชนะ และคะแนนโหวตจะถูกรวมเป็นเรตติ้ง มันวัดความชอบภายใต้เงื่อนไขแบบตาบอดบนพรอมป์ต์ที่ไม่มีใครเลือกไว้ล่วงหน้า จุดแข็งของมันคือไม่มีผู้จำหน่ายรายใดเป็นผู้รันชุดทดสอบ และไม่มีใครเลือกคำถามด้วยมือ จุดอ่อนของมันคือผู้โหวตให้รางวัลกับคำตอบที่ลื่นไหล มั่นใจ และจัดรูปแบบดี และพรอมป์ต์ที่อาสาสมัครพิมพ์ไม่ใช่ภาระงานของคุณ เรตติ้งสนามประลองที่สูงหมายความว่าผู้คนมีแนวโน้มจะชอบเอาต์พุตนั้น ไม่ได้หมายความว่าเอาต์พุตนั้นถูกต้อง

ดัชนีรวม Artificial Analysis ใช้ชุดการประเมินแบบคงที่และรวมผลลัพธ์เป็น Intelligence Index เดียว ควบคู่กับตัววัดแยกสำหรับความเร็ว เวลาแฝง ราคา และต้นทุนต่องานที่ทำเสร็จ ตัวนี้มีประโยชน์ที่สุดในสามตัวสำหรับการทำชอร์ตลิสต์ เพราะฮาร์เนส (harness) ใช้เหมือนกันกับทุกโมเดล และคอลัมน์โดยรอบช่วยให้คุณชั่งน้ำหนักคุณภาพเทียบกับค่าใช้จ่ายได้ จุดอ่อนของมันคือดัชนีรวมฝังการตัดสินใจเชิงบรรณาธิการไว้: การประเมินใดบ้างที่นับรวม น้ำหนักของแต่ละรายการเป็นอย่างไร และจะเกิดอะไรขึ้นเมื่อหนึ่งในนั้นถูกเลิกใช้ การแก้ไขใน v4.3.2 คือการทำให้จุดอ่อนนั้นปรากฏให้เห็นอย่างชัดเจนนั่นเอง

เอกสารข้อมูลจากผู้ขายสื่อเปิดตัวจากแล็บที่สร้างโมเดลนี้ เป็นแหล่งข้อมูลที่อุดมสมบูรณ์ที่สุด — มีหลายร้อยแถว เบนช์มาร์กล่าสุด การกำหนดค่าที่ไม่มีใครอื่นรัน — และเป็นแหล่งที่เปรียบเทียบได้น้อยที่สุด เพราะผู้ขายทุกรายเลือกฮาร์เนส การตั้งค่าความพยายาม และคู่ต่อสู้เอง ตาราง Claude Opus 5.5 ของ Anthropic วางโมเดลของตนนำหน้า GPT-5.6 Sol อยู่ 29 คะแนนบน Terminal-Bench 4.0 ส่วนสื่อของ Sol จาก OpenAI ขึ้นต้นด้วย Terminal-Bench 2.1 ซึ่ง Sol ได้ 91.9 และไม่มีแถวของ Opus 5.5 เลย เพราะ Opus 5.5 ยังไม่มีอยู่ตอนที่เขียน ตารางที่มีเพียงแถวที่ได้เปรียบไม่ใช่หลักฐานของการกวาดชัยชนะ แต่เป็นหลักฐานของการคัดเลือกแถว

แถวนี้คือการกำหนดค่า ไม่ใช่โมเดล

การตีความตารางอันดับที่ผิดพลาดซึ่งพบบ่อยที่สุด คือการมองหนึ่งแถวเป็นหนึ่งโมเดล ในตารางอันดับ LLM ของ Artificial Analysis เองในสัปดาห์นี้ Claude Opus 5.5 ปรากฏถึงสามครั้ง:

• Claude Opus 5.5 ที่ความพยายามสูงสุดพร้อมระบบสำรอง — ดัชนีความฉลาด 58, ต้นทุนต่องาน $5.98, ความเร็วเอาต์พุตค่ามัธยฐาน 98 โทเคนต่อวินาที, เวลาแฝง 706 มิลลิวินาที, ตั้งแต่ต้นจนจบ 711 มิลลิวินาที

• Claude Opus 5.5 ที่ความพยายามระดับ xhigh พร้อมกลไกสำรอง — ดัชนีความสามารถทางปัญญา 56, ต้นทุนต่องาน $3.46, ความเร็ว 82 โทเค็นต่อวินาที, ความหน่วง 119 ms, แบบ end-to-end 125 ms

• Claude Sonnet 5.5 ด้วยความพยายามสูงสุด — 56, $5.46, 141 โทเคนต่อวินาที, 427 มิลลิวินาที

สองคะแนนดัชนีแยกสองแถวแรกออกจากกัน การลดต้นทุนต่องานลง 42% และความแตกต่างของเวลาแฝงถึงหกเท่าก็แยกทั้งสองออกจากกันเช่นกัน ไม่มีอะไรเกี่ยวกับโมเดลเปลี่ยนไป การตั้งค่า effort ต่างหากที่เปลี่ยน ดังนั้น ข้อโต้แย้งใดในรูปแบบ "โมเดล X ได้คะแนนสูงกว่าโมเดล Y" จึงยังไม่สมบูรณ์จนกว่าจะระบุการกำหนดค่า ซึ่งเป็นเหตุผลว่าทำไมตัวเลขการเทียบแบบตัวต่อตัวเพียงตัวเดียวจึงไม่ควรใช้ตัดสินใจจัดซื้อเพียงลำพัง

กฎเดียวกันนี้ใช้กับระดับความพยายามในการให้เหตุผลภายในเนื้อหาของผู้ขายเองด้วย Anthropic ระบุไว้ในเชิงอรรถว่าการรัน Claude Opus 5.5 บน Terminal-Bench ของตนใช้ความพยายามระดับ xhigh แทนที่จะเป็นค่าเริ่มต้น และที่ความพยายามระดับ medium ซึ่งเป็นค่าเริ่มต้น ข้อได้เปรียบของ FrontierCode เหนือ GPT-5.6 Sol จะแคบลงจากช่องว่างระดับพาดหัวข่าวเหลือเจ็ดคะแนน ทั้งสองตัวเลขเป็นความจริง มีเพียงตัวเลขเดียวเท่านั้นที่อธิบายสิ่งที่คุณจะได้รับหากคุณไม่ตั้งค่าพารามิเตอร์

กับดักเวอร์ชัน ซึ่งเป็นสาเหตุของการเปรียบเทียบที่ผิดพลาดส่วนใหญ่

ชื่อ benchmark ถูกนำมาใช้ซ้ำข้ามรุ่น และตัวเลขนั้นไม่ได้ส่งต่อระหว่างกัน สามตัวอย่างจากรายงานของเดือนนี้ก็เพียงพอที่จะแสดงให้เห็นภาพรวม

• Terminal-Bench 2.1 เทียบกับ 4.0 — การ์ดโมเดลของ Google สำหรับ Gemini 3.5 Flash-Lite รายงานว่าได้ 54.0% บน Terminal-Bench 2.1 ขณะที่ Artificial Analysis ซึ่งรัน 4.0 บันทึกไว้ที่ 1% ทั้งสองค่าถูกต้อง และการอ้างอิงค่าใดค่าหนึ่งโดยไม่ระบุเวอร์ชันทำให้เข้าใจผิดในลักษณะที่เชิดชูโมเดลที่คุณชอบมากกว่า

• OSWorld-Verified เทียบกับ OSWorld 2.0 — Anthropic รายงานว่า Claude Mythos 5 ได้ 85.0% บน OSWorld-Verified ขณะที่ผู้ให้บริการรายอื่นรายงานคะแนน OSWorld 2.0 ไว้ในช่วง 60 ต้น ๆ การนำตัวเลขเหล่านี้มาวางไว้ในคอลัมน์เดียวกันไม่ใช่การเปรียบเทียบโมเดล

• โมเดลที่ถูกต้อง แต่เป็นเวอร์ชันที่ผิด — Claude Mythos 5.1 ทำคะแนนได้ 60.9 บน Terminal-Bench 4.0 เทียบกับ 52.0 ของ Muse Wonder ซึ่งเป็นแบบทดสอบร่วมเพียงชุดเดียวระหว่างสองตระกูลนี้ Mythos 5ที่เผยแพร่ไว้ที่ 88.0 นั้นเป็นของ Terminal-Bench 2.1 การนำรุ่นหนึ่งไปแทนอีกรุ่นหนึ่งทำให้เกิดช่องว่าง 36 คะแนนที่ไม่มีอยู่จริง

นิสัยในทางปฏิบัติข้อนี้เป็นเรื่องเล็กและคุ้มค่าที่จะทำตาม: เมื่อตัวเลขหนึ่งปรากฏขึ้นโดยไม่มีเวอร์ชันของแบบทดสอบมาตรฐานและไม่มีการตั้งค่าระดับความพยายาม ให้ถือว่าตัวเลขนั้นเป็นคำกล่าวอ้างมากกว่าผลการวัด

ต้นทุนต่องานไม่ใช่ราคาที่อยู่บนการ์ด

กระดานผู้นำได้เพิ่มคอลัมน์ที่สำคัญที่สุดสำหรับการทำงบประมาณอย่างเงียบ ๆ และคอลัมน์นี้มักขัดกับอัตราค่าบริการที่ประกาศไว้ MiniMax M3.1 Flash มีค่าใช้จ่าย $0.15 ต่อล้านโทเค็นอินพุต และ $0.60 สำหรับเอาต์พุต; Gemini 3.5 Flash-Lite มีค่าใช้จ่าย $0.30 และ $2.50 — แพงกว่าสี่เท่าในส่วนเอาต์พุต เมื่อวัดต้นทุนต่องาน Intelligence Index ที่ทำเสร็จหนึ่งงาน Flash-Lite ชนะ: $0.19 เทียบกับ $0.22

การผกผันนั้นไม่ใช่ข้อผิดพลาด เมตริกนี้คือจำนวนโทเค็นที่ใช้จริงคูณกับอัตราของผู้ให้บริการ ดังนั้นจึงวัดว่าถูกแต่ละโมเดลต้องทำงานมากเพียงใดเพื่อทำภารกิจเดียวกันให้เสร็จ MiniMax M3.1 Flash ใช้โทเค็นเอาต์พุตประมาณ 180 ล้านโทเค็นตลอดทั้งดัชนี เทียบกับค่ามัธยฐานที่ใกล้ 100 ล้านสำหรับโมเดลที่ Artificial Analysis ติดตามอยู่ นี่เป็นReasonerที่พูดมาก และความพูดมากนั้นถูกคิดเงิน ในงานที่การใคร่ครวญซื้อคำตอบที่ถูกต้องได้ การแลกเปลี่ยนนั้นคุ้มค่า ในงานที่คำตอบไม่เคยเป็นที่น่าสงสัยเลย มันคือความสิ้นเปลือง

นี่คือคอลัมน์ที่คุณควรนำไปรันกับทราฟฟิกของคุณเอง ก่อนที่คุณจะเชื่อการเปรียบเทียบแบบต่อโทเคนใด ๆ เพราะเป็นคอลัมน์เดียวที่คำนึงถึงข้อเท็จจริงที่ว่าโมเดลต่าง ๆ ใช้จำนวนโทเคนไม่เท่ากันในการไปถึงจุดเดียวกัน

สิ่งที่กระดานอันดับจะไม่บอกคุณ

จุดบอดสองประการสมควรมีหัวข้อแยกของตัวเอง เพราะทั้งคู่ล้วนทำให้ต้องเสียเงินหากถูกมองข้าม

การไม่ตอบ การประเมิน AA-Omniscience ของ Artificial Analysis ให้คะแนน MiniMax M3.1 Flash ที่ 16: ตอบคำถามเชิงข้อเท็จจริงถูกต้อง 56% และมีอัตราการหลอน 93% ตัวเลขที่สองไม่ได้หมายความว่า 93% ของคำตอบนั้นผิด — แต่หมายความว่าในบรรดาคำตอบที่ไม่ถูกต้อง 93% เป็นคำตอบที่ผิดโดยสิ้นเชิง แทนที่จะเป็นคำตอบบางส่วนหรือการปฏิเสธที่จะตอบ โมเดลนี้มักตอบเมื่อควรจะปฏิเสธ Gemini 3.5 Flash-Lite ไม่มีคะแนน AA-Omniscience เลย ซึ่งเป็นการขาดข้อมูล ไม่ใช่เครื่องยืนยันว่าปลอดปัญหา

ความพร้อมใช้งาน คะแนนคือคำกล่าวเกี่ยวกับช่วงเวลาหนึ่ง Gemini 3.1 Pro อยู่ในสถานะพรีวิวมาเจ็ดเดือนโดยไม่มีกำหนด GA หายไปจากตัวเลือกโมเดลใน AI Studio เมื่อกลางเดือนกันยายนโดยผู้ขายไม่ให้คำอธิบาย และยังคงมีอันดับอยู่ Grok 4.7 มีอายุเพียงหนึ่งวันเมื่อถูกให้คะแนน 46 บนดัชนี หนึ่งในนั้นเป็นตัวเลขเกี่ยวกับโมเดลที่คุณเรียกใช้ได้ในเดือนหน้า อีกตัวเป็นตัวเลขเกี่ยวกับโมเดลที่อาจไม่มีอยู่จริงในไตรมาสหน้า กระดานผู้นำไม่ได้แยกความแตกต่างระหว่างสองสิ่งนี้

บอร์ดของเราเองตั้งอยู่ตรงไหน และทำไมมันจึงเป็นสิ่งที่สี่

OrcaRouter ดำเนินการตารางจัดอันดับโมเดล AI ที่จงใจไม่จำลองสิ่งใด ๆ ที่กล่าวมาข้างต้น โดยจัดอันดับจากสิ่งที่เกตเวย์ของเราเองสังเกตได้—ทราฟฟิกในสภาพแวดล้อมโปรดักชันและคะแนนโหวต Battle Mode จากชุมชน—แล้วผสานเข้ากับคะแนนโหวตจาก LMArena, benchmark อิสระ และการนำไปใช้ในระบบนิเวศ ภายใต้น้ำหนักที่คงที่และเผยแพร่ต่อสาธารณะ ตารางนี้อัปเดตทุกวัน จัดโมเดลเข้าลิสต์ภายใน 48 ชั่วโมงหลังเปิดตัว และแยกเป็นมุมมอง Text, Coding, Vision, Math, Reasoning และ Agentic แทนที่จะแกล้งทำเป็นว่าการจัดอันดับชุดเดียวตอบโจทย์ทุกงาน

นั่นทำให้มันมีโหมดความล้มเหลวที่ต่างจากอีกสามตัว ซึ่งควรพูดให้ชัด ๆ ว่า มันจัดอันดับได้เฉพาะโมเดลที่เรากำหนดเส้นทางส่งคำขอไป จุดบอดของมันจึงเป็นเชิงพาณิชย์ ไม่ใช่เชิงระเบียบวิธี สิ่งที่มันเพิ่มเข้ามาคือสัญญาณเดียวที่ตัวอื่นไม่มี — ระบบตอบจริงหรือไม่ เร็วแค่ไหน ในราคา blended เท่าใด บนทราฟฟิกที่ไม่ได้สร้างขึ้นเพื่อเบนช์มาร์ก

อ่านหนึ่งเรื่องในห้านาที

• ค้นหาเวอร์ชันของ benchmark และการตั้งค่า effort ก่อนที่คุณจะอ่านคะแนน หากขาดอย่างใดอย่างหนึ่งไป ตัวเลขนั้นก็เป็นเพียงคำกล่าวอ้าง

• ให้ดูที่คอลัมน์ต้นทุนต่องาน ไม่ใช่ราคาต่อโทเคน สองค่านี้ขัดกันบ่อยกว่าที่จะตรงกัน

• มองดัชนีผสมเป็นเพียงรายชื่อตัวเลือกขั้นต้น ไม่ใช่คำตัดสินสุดท้าย มันคือการปรับน้ำหนัก และการปรับน้ำหนักย่อมถูกแก้ไขได้ — การแก้ไขชุดเดียวกับที่ลดอันดับ Gemini 3.1 Pro ยังลดอันดับโมเดลอีกหลายสิบตัวที่ไม่มีใครแตะต้อง

• แยกช่องว่างด้านความสามารถออกจากช่องว่างด้านคะแนน เพดานเอาต์พุต 65,536 โทเคน หรือโมเดลที่อ่านวิดีโอไม่ได้ เป็นข้อเท็จจริงเกี่ยวกับภาระงานของคุณ ส่วนสองคะแนนในดัชนีไม่ใช่

• ตรวจสอบว่าโมเดลเปิดตัวเมื่อใด และยังอยู่ในสถานะพรีวิวหรือไม่ การจัดอันดับที่ไม่มีวันที่พร้อมใช้งานคือการจัดอันดับสิ่งที่อาจไม่มีอยู่จริงเมื่อคุณนำไปใช้งาน

ตารางอันดับเป็นเพียงจุดเริ่มต้นของคำถาม ไม่ใช่คำตอบของคำถามนั้น การวัดเพียงอย่างเดียวที่ตัดสินการเลือกได้คือทราฟฟิกของคุณเองบนพรอมต์ของคุณเอง — ซึ่งเป็นเหตุผลว่าสิ่งที่มีประโยชน์ที่เกตเวย์มอบให้ได้จึงไม่ใช่การจัดอันดับอีกชุดหนึ่ง แต่เป็นความสามารถในการรันตัวเลือกทั้งสองเคียงข้างกันด้วยคีย์เดียวและเปรียบเทียบใบแจ้งหนี้

บันทึกแหล่งที่มา: การเปลี่ยนแปลงของ Gemini 3.1 Pro ระหว่างเดือนกุมภาพันธ์ถึงกันยายน เนื้อหาของการแก้ไข v4.3.2 สามแถวของ Claude Opus 5.5 ตัวเลข AA-Omniscience ค่าต้นทุนต่องาน และคะแนน Intelligence Index เป็นของ Artificial Analysis ซึ่งอ่านเมื่อวันที่ 26 ตุลาคม 2026 ส่วนตัวเลข Terminal-Bench 2.1 และ 4.0 ตัวเลข OSWorld-Verified และ OSWorld 2.0 คะแนน Terminal-Bench 4.0 ที่ 60.9 และ 52.0 ประมาณการการใช้โทเค็นของ MiniMax และการเปรียบเทียบเอกสารข้อมูลผู้จำหน่าย มาจากเอกสารที่เผยแพร่ของ Anthropic, Google, MiniMax และ OpenAI ตามลำดับ และเป็นการรายงานโดยผู้จำหน่าย เว้นแต่จะระบุไว้ข้างต้นว่าเป็นของ Artificial Analysis คำอธิบายกระดานจัดอันดับ น้ำหนัก และความถี่ในการอัปเดตของ OrcaRouter เป็นระเบียบวิธีที่เราเผยแพร่เอง