当模型越来越多，选哪个反而成了一门学问。
你有没有过这种时刻——
想找个 AI 帮忙，却被一堆名字绕晕：GPT、Claude、Gemini、Kimi、DeepSeek、GLM、Qwen、MiMo……它们到底谁更聪明？谁只是名气大？
最近，第三方 AI 模型排行榜 AIHOT 更新到了最新一期：35 项统一考试、7 家独立评测机构、30 个热门模型同台竞技。
结果有点出乎意料：综合第一，不是如日中天的 GPT。
这篇文章不讲天书，用大白话把榜单拆给你看——谁是全科状元、谁是偏科天才、谁便宜又好用，以及学生、上班族、程序员等不同身份的你，到底该怎么选。
01 先花 1 分钟，搞懂这张榜怎么看
要看懂排名，先得明白这张榜的“规矩”。它和厂商自己发的宣传稿，完全是两回事。
| |
|---|
| 不看厂商自卖自夸，全部由独立机构用同一套题，给每个模型考一遍 |
| 50 分是参照组平均水平，每 15 分约一个档次；分数不是正确率，而是相对段位 |
| 编程 40%、科研 20%、专业办公 20%、知识问答 15%、真人盲选 5% |
| |
| |
特别值得注意的是：编程权重高达 40%，是所有维度里最高的。这说明在行业眼里，能不能真的把活干出来，比知道多少更重要。
02 综合榜：三家争霸，第一名差一点就易主
先看最受关注的综合榜，前 10 名如下：
这张表有三个看点：
第一，Anthropic 是这一期的最大赢家。前五名里，它一家占了三席，Claude 这条产品线整体发挥非常稳。
第二，第一名的位置并不稳。前三名评分是 73.9、73.5、72.2，第一名和第二名只差 0.4 分。这意味着只要下一场考试谁多对一道题，王座就可能换人。
第三，国产模型已经追到了第二梯队。名次最高的是 Kimi K3，第 13 名（63.2）；小米 MiMo Pro 第 15 名（62.9）；GLM-5.3 第 17 名（62.4）。它们和头部还有大约 10 分的差距，但已经实实在在站在了同一条赛道上。
03 编程榜：Claude 的“祖传手艺”
编程是综合榜里权重最高的维度，我们先看它。前五名：
前两名被 Claude 包揽，前五里 Claude 占了三席。
写代码、做软件、修 bug、把一整套程序搭起来跑通，这件事上 Claude 像个手艺稳定的老师傅：不只是能写出几行代码，而是能把一个完整的软件做出来。
国产编程的第一名，是小米 MiMo Pro，排第 11 名（64.0）；GLM-5.3 紧随其后，第 12 名（63.3）。对国产模型来说，编程恰恰是它们冲得最靠前的一项。
04 科研榜：GPT-6 Astra 的“最强大脑”
再看科研维度，前五名：
综合榜上只排第 5 的 GPT-6 Astra，在科研榜直接登顶，77.6 也是本期所有单项里的最高分之一。
研究级的数学、物理、逻辑、复杂推理，是它的主场。这就好比班里那个竞赛大神：平时综合排名不算最靠前，但一遇到真正的难题，全场就他一个人解得出来。
国产这边，Kimi K3 排第 17 名（62.8）。
05 专业办公榜：唯一的“断层第一”
专业办公维度，前五名：
这是五个榜单里最夸张的一个：Gemini 4 Argon 76.4，领先第二名足足 5.1 分。要知道其他榜单的名次差距，往往只有零点几分。5 分，就是“断层级”的领先。
写报告、做方案、跑业务流程、金融法律分析、数据分析这类“职业交付件”，它目前是独一档。
但这里要泼一盆冷水：Gemini 4 Argon 是 9 月 30 日才上线的新模型，评测只覆盖了大约 75%，价格也还没核验。换句话说，它的“考试科目还没考完”，这个第一还需要更多成绩来坐实。
国产模型在这一项咬得很紧：小米 MiMo Pro 第 13（65.2）、Kimi K3 第 15（63.8）、Qwen Max 第 16（63.4）。
06 知识问答：学霸贴身肉搏，也有人意外翻车
知识问答维度，前五名：
前两名 GPT-6 Astra 和 Claude Fable 5.1 只差 0.2 分，几乎是贴身肉搏。事实准不准、长文懂不懂、能不能识破问题里埋的“坑”，它们最稳。
最有意思的是“偏科现场”：编程榜排第二的 Claude Sonnet 5.5，在知识问答榜上直接掉到了第 15 名。这说明没有模型能在所有科目上通吃——哪怕是学霸，也有自己的软肋。
国产这边，Kimi K3 排第 10（68.0），这是它五个维度里最靠前的名次。
把头部模型的四项评分画在一张雷达图上，谁面积大、谁在某个角凸出来或凹进去，一眼看清。
07 给模型“排个座次”：它们像班里的谁
把冷冰冰的型号翻译成人设，一下子就好记了：
| | |
|---|
| | 综合、编程双第一，几乎不偏科，交给他最放心，唯一缺点是贵 |
| | 科研、知识问答双第一，越难越来劲，但编程、办公不是最顶，价格第一档 |
| | 专业办公断层第一、综合第二，但考试还没考完、学费未知，需要再观察 |
| | 综合第 4、编程第 2，价格只有旗舰一半，可惜知识问答意外拉胯 |
| | 9 月底刚上线，科研第 3、综合第 7，价格还不贵 |
| | 五个维度最均衡的国产选手，知识问答冲进前 10，而且开源 |
| | |
| | 开源、便宜、覆盖全，日常活和大批量任务的性价比之选 |
分数差 10 分，价格却可能差几十倍，这笔账值得算清楚。
这张图说明了什么？
最贵的 GPT-6 Astra、Claude Fable 5.1，输出价格是每百万 Token 334.61 元；小米 MiMo Pro 只要 6 元，相差约 55 倍；DeepSeek Flash 输出 8.03 元、输入大约 2 元。
说句大白话：同样一份脑力活，有人收头等舱的价钱，有人收公交的价钱，而它们的分数差距，其实只有十来分。
08 不同身份的你，重点该看哪张榜
别盯着综合第一不放，先找到自己那一行：
| | |
|---|
| | |
| | 性价比选 Sonnet，或国产 MiMo / GLM / Qwen |
| | 复杂系统活上 Opus，日常写代码用 Sonnet / Flash，盯紧 API 成本 |
| | |
| | 难题用 Astra、交付看 Gemini，但专业内容必须人工复核 |
| | |
09 一套不踩坑的选型方法
最后，给你一套可以直接用的判断框架，一共六条：
- 先问“我主要让它干嘛”，再选模型——很多时候，偏科生比全科生更适合你。
- 看“评测覆盖度”：低于 80% 的成绩，先打个问号，比如 Gemini Argon。
- 日常粗活用便宜模型，硬仗再租旗舰——就像平时坐公交，急事才打车。
- 学会搭配：便宜模型干 80% 的活，贵模型只做关键把关。
- 分数差 5 分以内，日常体验的差距，远小于价格的差距。
- 榜单每个月都在变，选型别一锤定音，给自己留个“备胎”。
写在最后
其实这张榜最想告诉我们的，从来不是“谁是天下第一”。
模型没有绝对的赢家，只有适不适合你手头那件事。
对普通人来说，真正拉开差距的，也许不是用了哪个模型，而是你能不能把自己的问题问清楚、把 AI 用进真实的工作和学习里。
工具会一直更新，但“会提问、会判断”这件事，短期内还替代不了。
几点说明
AIHOT 评分是相对刻度，不是正确率，70 分不等于 70% 的题都能做对；榜单考的是标准化题目，真实场景可能有差异，重要的事最好自己再试一遍；模型也会“一本正经地出错”，涉及钱、健康、法律等关键决定，务必人工核实；本文数据截至 2026 年 10 月 10 日，模型迭代很快，排名随时可能变化。
