权威榜单

选型性价比最好用的一个榜：分数、速度、价格三列放一起看。

1. 1 Claude Opus 5.5 (max with fallback) 58
2. 2 Claude Opus 5.5 (xhigh with fallback) 57
3. 3 GPT-6 Astra (max) 57

把「人觉得好用」「接口实测」「题库成绩」三路揉成一个分，分数旁边直接给官方价与 OpenRouter 价，适合先看阵容厚度、再挑性价比。

1. 1 Claude Opus 5.5 86.51
2. 2 Gemini 4 Argon 84.97
3. 3 Claude Fable 5.1 84.16

看「新题上的真实水平」，比刷过的老基准更可信。

1. 1 claude-fable-5.1 88
2. 2 claude-opus-5.5 86.5
3. 3 gpt-6-astra 86.1

想看「放进真实业务流程能不能用」，这家比纯学术榜更贴近岗位场景。

1. 1 Claude Sonnet 5.5 70.854
2. 2 Claude Opus 5.5 70.177
3. 3 Gemini 4 Argon 69.237

想知道某个方向（重构、测试编写、工具使用、安全对齐）谁最强，在这里按子榜查比综合分更有用。

1. 1 muse-spark-1.2DistressBench 88.39
2. 2 muse-spark-1.3DistressBench 84.88
3. 3 muse-glimmer-30bDistressBench 80.57

最接近真实用户体感的榜；分数差 10 分以内基本算同一档，别按小数点排名挑模型。

1. 1 Gemini 4 Argon (High) 1526
2. 2 Claude Opus 5.5 (High) 1516
3. 3 Claude Fable 5.1 (Max) 1513

衡量「能不能真的改代码」的第一参照，比刷题式代码题硬得多；同一模型配不同 Agent 框架会各占一行。

1. 1 Claude 4.5 Opus 79.2
2. 2 Claude 4.5 Opus 79.2
3. 3 Doubao-Seed-Code 78.8

最接近「把一堆藏起来的 bug 全翻出来」的实战榜：考的是排查广度与自证（改完要能自证没改坏），不是单点改码。

1. 1 Sonnet 5.5max 51.3
2. 2 GPT-6 Astramax 45
3. 3 GPT-6.1 Solmax 44.3

最能反映「日常拿它改项目」的体验：会不会准确生成可应用的改动。

1. 1 gpt-5 (high) 88
2. 2 gpt-5 (medium) 86.7
3. 3 o3-pro (high) 84.9

前沿模型之间的差距，在这个榜上才看得出来；ECI 是相对指数，不等于通过率。

1. 1 Claude Opus 5.5 168.83
2. 2 GPT-6 Astra 168.81
3. 3 GPT-6.1 Sol 168.37

区分「真会推理」与「见得多」；同一模型不同推理档位会各占一行。

1. 1 GPT-6 Astra - Provider Adapter (High) 99.9
2. 2 GPT-6 Astra - Provider Adapter (Max) 98.6
3. 3 GPT-6 Astra - Provider Adapter (XHigh) 98.4

看「模型的知识边界在哪」；这里取 Scale AI 官方全量榜（CAIS 主站只挂前十名）。

1. 1 GPT 6 Astra 54.8
2. 2 gemini-3.1-pro-preview (thinking high) 46.44
3. 3 Sonnet 5.5 (xhigh) 46.12

人类基线 83.7%，模型普遍远低于此，用来解释「为什么模型偶尔犯蠢」很直观。

1. 1 Claude Opus 5.5 88.4
2. 2 Claude Fable 5.1 86.6
3. 3 GPT-6 Astra Pro 86.5

看 Agent 会不会用命令行自己把活干完，而不是只回一段答案。

1. 1 Opus 5.5 64.85
2. 2 Sonnet 5.5 61.82
3. 3 GPT-6.1 Sol 58.18

做 Agent / MCP 接入前先看这个榜，工具调用不稳的模型在工程里会很难用。

1. 1 Claude-Opus-4-5-20251101 (FC) 77.47
2. 2 Claude-Sonnet-4-5-20250929 (FC) 73.24
3. 3 Gemini-3-Pro-Preview (Prompt) 72.51

看的是「守规则」而不是「会聊天」：乱承诺、乱退款的模型在这榜上很难看；成绩由各团队自行提交。

1. 1 Claude-Sonnet-4.5 84.7
2. 2 RAFT-30B-A3B 82.5
3. 3 GPT-5 80

判断能不能把长活交给它干，比任何跑分都直白；分数受 Agent 脚手架影响很大。

1. 1 Claude Mythos Preview Early 17.4
2. 2 Claude Opus 4 6 12
3. 3 Gemini 3 1 Pro 6.4

做落地页、组件库、前端页面时比通用榜更有参考价值。

1. 1 Claude Opus 5.5 1385
2. 2 GPT 6 Astra 1383
3. 3 Muse Wonder 1.0 1382

中文体感最贴近的一票；与司南、SuperCLUE 的准确率互补，结论不一致很常见。

1. 1 Gemini 4 Argon (High) 1600
2. 2 Claude Fable 5.1 (Max) 1584
3. 3 Claude Opus 5.5 (High) 1581

面向中文用户的第一参照；同一模型在这里的名次常和英文榜不一致。

1. 1 Claude Opus 5 (high) 83.3
2. 2 GPT-5.6-Sol (high) 80.8
3. 3 Qwen3.8-Max 80.6

国内认知度高、更新较快，适合和司南榜交叉看中文能力。

1. 1 Qwen3.8-Max-0902(max) 72.62
2. 2 DeepSeek-V4.1-Flash(max) 71.81
3. 3 Qwen3.8-Max(max) 71.48

评分稳定但更新较慢，最近一期可能落后于其他榜。

1. 1 GPT-5 (high) 83.74
2. 2 GPT-5 mini (high) 81.17
3. 3 o3 79.78