翻 2026 年的模型发布会，你会看到一个规律，厂商报分的清单一直在换。三年前人手一个 MMLU，现在主流发布页上它几乎绝迹。原因不复杂，前沿模型在 MMLU 上全部冲到 92% 以上，HumanEval 也早就被打穿，这两位老将已经分不出好坏，剩下的功能只有兜底，低于 90% 的模型直接出局。
所以现在看 AI benchmarks ranking，重点不是找一张全能榜，而是知道哪些测试还活着，各自量什么。
写代码，Verified 和 Pro 的落差比分数有用
SWE-bench Verified 让模型修真实 GitHub issue，是目前最接近真实软件工程的测试。9月的头部成绩，Claude Fable 5 拿了 95.0%，GPT-5.5 是 88.7%，DeepSeek V4 Pro 和 Gemini 3.1 Pro 都是 80.6%。
单看这个榜 Fable 5 遥遥领先，但更狠的信号在 SWE-bench Pro 上。Pro 收了 1865 道更难的多文件任务，Fable 5 从 95.0% 掉到 80.3%，只跌 15 个点。GPT-5.5 从 88.7% 掉到 58.6%，一口气跌 30 个点。两张榜对照着看，才看得出谁在简单题上刷分，谁是真稳。
推理，ARC-AGI-2 饱和了，ARC-AGI-3 接棒
ARC-AGI 系列测的是抽象图形推理，专门设计成没法靠背题解决。今年一季度它也被攻破了，GPT-5.5 在 3 月拿到 85%，过了大奖线，Confluence Lab 4 月更是推到 97.9%。一个基准从发布到饱和只用了两年。
于是 ARC-AGI-3 在 3 月上线。开局很残酷，Gemini 3.1 Pro 首测 0.37%，GPT-5.5 到 4 月也只有 1.8%，人类平均在 71% 附近。未来一两年，这条线上的每一次跳动都值得盯着。
HLE，还能打很多年的那一个
Humanity’s Last Exam 收了 2500 到 3000 道各领域专家出的题，设计目标就是让搜索引擎失效。人类 PhD 研究者的水平在 65% 上下，而最强模型 5 月的成绩在 38% 到 45% 区间徘徊。离人类基线还有 20 个点的差距，意味着这个榜还能有效区分模型好几年。
按任务挑榜，别按名气
科学家选 GPQA Diamond，研究生水平的理化生题，Gemini 3.1 Pro 以 94.1% 领先。数学看 FrontierMath，GPT-5.5 带工具 3 月拿到 53%，一年前这个数字接近 2。Agent 能力看 Terminal-Bench，考的是在真实 shell 里把活干完。LiveCodeBench 用训练截止之后的新赛题防背题。通用偏好还是回到 Arena 的盲测投票。
一句话总结，2026 年没有哪个模型横扫所有榜。Fable 5 拿下 MMLU-Pro、SWE-bench Verified、HLE 和 Arena 五个头名，Gemini 3.1 Pro 守住科学线，OpenAI 的强项在 agent 和重算力推理。你的任务是什么，就去看对应的分榜。
想看具体模型的表现，可以接着读Claude Fable 5.1 的发布解读，或者对照Qwen3.7 Max 的 Arena 成绩，开源阵营的排名变化在全球 LLM 每周用量排行里也能看出端倪。
延伸阅读
- Maxinsights 机器人数据集已达 150 万小时：采集良率 98%，目标冲 1000 万小时4 天前
- AI 安全认证 2026 挑选指南，从 100 美元的入门证到 5 万美元的组织级认证2 小时前
- MERIT 多键情节记忆改写长视频检索：小时到天级视频，EgoLifeQA 等 3 项基准达 SOTA4 天前
- GLM-5.3 驱动 Infra Agent：10 万张芯片集群端到端吞吐提升到 3.2 倍4 天前