一个融合得分，固定公开权重
每个模型的综合得分来自四类独立证据：盲测人类偏好 40%、独立基准测试 30%、OrcaRouter 生产环境证据 20%、生态采用度 10%。权重固定且公开——没有人为调整、没有付费排位、不接受厂商提交。
基于 OrcaRouter 真实生产流量与社区 Battle Mode 投票排名 —— 而非厂商自报的基准测试。
每个模型一个综合排名——LMArena 投票、独立基准测试、生态采用度与 OrcaRouter 生产环境证据，按固定公开权重融合。新模型上线首日即基于外部证据入榜。
| 排名 | 模型 | 综合分 | 可靠性 | $/1M 混合 | 用量 | 动量 | 证据 |
|---|---|---|---|---|---|---|---|
| #1 | DeepSeek: DeepSeek V4 Flash | 80.8 | 99.46% · 620ms | $0.22$0.147 → $0.295 per 1M tokens | 19% | — | τ² 95.0τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 19.1%OpenRouter 令牌份额——真实生态采用度。 |
| #2 | Z.ai: GLM 5.2 | 72.3 | 99.24% · 4178ms | $2.90$1.4 → $4.4 per 1M tokens | 1%▼ | — | τ² 99.1τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 4.1%OpenRouter 令牌份额——真实生态采用度。 |
| #3 | DeepSeek: DeepSeek V4 Pro | 69.7 | 99.88% · 929ms | $0.66$0.442 → $0.884 per 1M tokens | 5%▼ | — | τ² 96.2τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 3.3%OpenRouter 令牌份额——真实生态采用度。 |
| #4 | MiniMax: MiniMax M3 | 63.6 | 99.95% · 10000ms | $0.75$0.3 → $1.2 per 1M tokens | <1%▼ | — | τ² 88.9τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 2.0%OpenRouter 令牌份额——真实生态采用度。 |
| #5 | Anthropic: Claude Fable 5 | 61.8 | 99.30% · 6919ms | $30.00$10 → $50 per 1M tokens | <1%▲ | — | τ² 98.5τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 0.3%OpenRouter 令牌份额——真实生态采用度。 |
| #6 | Anthropic: Claude Opus 4.8 | 60.7 | 99.47% · 8132ms | $15.00$5 → $25 per 1M tokens | <1%▼ | — | τ² 94.4τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 0.4%OpenRouter 令牌份额——真实生态采用度。 |
| #7 | Google: Gemini 3.1 Pro Preview | 60.4 | 99.23% · 10000ms | $7.00$2 → $12 per 1M tokens | <1%▼ | — | τ² 95.6τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 0.3%OpenRouter 令牌份额——真实生态采用度。 |
| #8 | openai/gpt-5.5-2026-04-23 | 60.3 | 99.07% · 3363ms | $27.50$10 → $45 per 1M tokens | <1%▲ | — | τ² 93.9τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 0.4%OpenRouter 令牌份额——真实生态采用度。 |
| #9 | OpenAI: GPT-5.6 Sol | 60.3 | 99.14% · 6288ms | $17.50$5 → $30 per 1M tokens | <1%▼ | — | τ² 85.1τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 1.4%OpenRouter 令牌份额——真实生态采用度。 |
| #10 | Z.ai: GLM 5 | 60.0 | 99.83% · 3142ms | $2.10$1 → $3.2 per 1M tokens | <1%▲ | — | τ² 98.2τ²-Bench——智能体工具使用基准，来自 Artificial Analysis。OR 0.1%OpenRouter 令牌份额——真实生态采用度。 |
LMArena leaderboard dataset (CC-BY-4.0) — lmarena.ai · Source: OpenRouter (openrouter.ai/rankings) · SWE-bench Verified — swebench.com · Artificial Analysis — artificialanalysis.ai
Battle Mode 两两对战胜率——每个模型与各个对手正面交锋的获胜频率。
将独立的智能评分与输入价格作图。虚线为价格/智能的帕累托前沿。
两个匿名回答，一次投票。你的对战计入综合排名中 20% 的生产证据权重。
两个匿名模型回答同一个提示词。读完两边再投票，然后揭晓各自是谁——你的投票会计入上方榜单。
本页每个数字都来自实测，绝无厂商自报。以下是综合排名背后的完整方法——对每个模型、每一天都执行同样的规则。
每个模型的综合得分来自四类独立证据：盲测人类偏好 40%、独立基准测试 30%、OrcaRouter 生产环境证据 20%、生态采用度 10%。权重固定且公开——没有人为调整、没有付费排位、不接受厂商提交。
人类偏好来自 LMArena 社区 Elo——文本与视觉竞技场的盲测两两投票（CC-BY-4.0）。独立基准结合 Artificial Analysis（智能指数以及编程、数学、GPQA Diamond 与 τ²-Bench）和 SWE-bench Verified（模型解决真实 GitHub issue 的比例）。生产环境证据来自 OrcaRouter 自身：盲测对战胜率加实时网关遥测——成功率、延迟与路由 Token 用量。采用度使用 OpenRouter 公布的 Token 份额。
各来源的量纲不同（Elo、0–100 指数、解决率百分比），因此每个信号都会针对当前榜单标准化并映射到 0–100：50 为榜单平均值，每 15 分代表一个标准差，两端截断。模型至少需要两类独立证据才能入榜，榜单按综合得分列出前 25 名。
文本、编程、视觉、数学、推理与智能体榜单在各自适配的信号上重跑同一套融合——编程分区换用编程基准与 SWE-bench Verified，视觉分区使用 LMArena 视觉竞技场——且盲测对战只在同一分区内配对。
外部数据源每日刷新，第一方遥测实时更新；新模型在发布后 48 小时内基于外部证据入榜。全程不使用任何厂商自报数据，社区热度仅作参考、绝不参与排名，且所有外部来源都在榜单下方注明出处。
每个模型的融合得分来自四类证据——盲测人类偏好（LMArena）、独立基准（Artificial Analysis、SWE-bench）、OrcaRouter 生产可靠性、生态采用度（OpenRouter），按固定公开权重 40 / 30 / 20 / 10 加权。
新模型在发布后 48 小时内即基于外部证据入榜。随着社区对战和生产流量的积累，排名会逐步稳固。
外部数据源每日刷新，OrcaRouter 遥测实时更新；榜单顶部显示最近更新日期。
模型需要至少两个独立证据来源才能上榜，榜单展示综合得分前 25 名——证据不足的模型将保持未上榜，直到有新的来源覆盖它。
是的——综合表格上方的分区按钮可切换文本、编程、视觉、数学、推理与智能体榜单，且对战只在同类模型间配对。
当模型积累了包括 OrcaRouter 自有对战与流量数据在内的三类证据后，其排名将基于完整融合得分，而不再只依赖外部证据。
LMArena（CC-BY-4.0）、Artificial Analysis、SWE-bench、OpenRouter 排名，以及 OrcaRouter 生产遥测——均在榜单下方注明。
很难：权重公开，不采用厂商自报数据，盲测对战与真实流量为每个分数提供锚点。
可以——JSON/CSV 导出、可嵌入的模型排名徽章、排名变动 RSS 均可免费使用（需注明来源），链接见页面底部。