9月15日，LMArena 更新了新一期文本榜。这次有个标志性变化，1500 分这条历史门槛，第一次被三个模型同时踩了过去。Claude Mythos 5 以 1531 排在第一，Claude Fable 5 拿到 1525，Claude Opus 5 是 1522。GPT-5.6 Sol 停在 1514，落后第一名 17 分。
如果你很久没看这个榜，简单交代下背景。它前身是 LMSys Chatbot Arena，UC Berkeley 的研究项目，玩法是盲测。你提交一个 prompt，两个匿名模型各答一遍，你投票选更好的那个，全网的票汇总成 Elo 分。现在每月有超过一百万张票进去，企业采购合同里也开始引用这个分数，算是目前争议最小的大模型横向参照。
前四名被 Anthropic 包了
9月这期，文本榜前四全是 Anthropic 的模型。Mythos 5 挂了一个 61.4 的 AAII 分，官方标了 coding 和 overall 双第一。Opus 4.8 以 1512 排第五，再往下是 GPT-5.5 Pro 的 1510 和 GPT-5.5 的 1506。Opus 4.7 和 Gemini 3.1 Pro 并列 1505。
OpenAI 最能打的是 GPT-5.6 Sol，1514，排在第四。这个差距说大不大，说小也不小。按 Elo 的换算，100 分差距意味着高分一方在正面对决里赢下大约 64% 的场次，而 25 分以内的波动基本可以当成噪声处理。
开源阵营贴到了天花板
这期榜单真正的故事在下半区。Kimi K3 正好落在 1500，这是开源模型第一次把文本榜摸到这条线。它在 Coding Arena 的前端榜单上更凶，1679 分直接拿了第一，也是开源模型第一次在单项榜上登顶。价格是每百万 tokens 输入 3 美元、输出 15 美元。
它后面还跟着两个。Qwen3.8 Max 拿了 1491，性价比分 24.0，托管价格每百万输入只要 2 美元。GLM-5.2 是 1483，出字 168 tokens 每秒，是可自托管里最快的，性价比分冲到 31.4。作为对比，闭源旗舰的性价比分普遍在 3 到 7 之间。MIT 协议的 DeepSeek V4 Pro 也守在 1462，输出价格低到每百万 0.87 美元。
开源与闭源的差距，从去年动辄上百分，压缩到现在 30 分上下。这个趋势比谁排第一更值得关注。
Elo 高不等于你的任务强
榜单有个容易踩的坑。Arena 量的是人类偏好，答题好不好读、详不详细都会影响票数，长度偏置一直被诟病。它测不了你的具体任务。
几个横向数据可以说明这件事。Gemini 3.1 Pro 文本榜 1505，出字速度却是前排最快的 131 tokens 每秒，长上下文和科学类任务另有一套成绩。跑生产路由的团队做法更直接，按任务分档选模型，而不是盯一个总分。有团队分享过教训，上季度死守某个旗舰，结果它在 coding 上悄悄滑了 30 分，任务完成率掉了 4 个点才发现。
看这份榜单的三条经验
第一，别只看总分，Coding、Reasoning、Hard Prompts 这些分榜跟实际使用关联更紧。第二，注意更新日期，Arena 大约每周重排一次，25 分以内的名次变化不用当真。第三，交叉验证，第三方榜单方向一致再下结论，比如 llm-stats 9月12日的数据里，Opus 5 在 coding arena 第一，GPT-6 Astra 在 GPQA 拿了 96%，Fable 5 在 SWE-Bench Verified 拿了 95%，三家的分榜各说各的故事，拼起来才是全貌。
相关的站内动态可以接着看，B站 AI 无限竞技场的首轮榜单里国产模型前五占了三席，Qwen 3.7 杀进 Arena 全球前 15是上个月的国产新高，开源侧的上一棒是MiniMax M2 冲到全球第五。
延伸阅读
- 百度文库网盘 AI 办公出海：库库 AI 全球月活超 4000 万，海外版 Kooko 一年内用户破 1000 万3 天前
- 大模型推荐排行榜 2026 秋季版，写代码、省钱、中文场景各选各的2 小时前
- 美团 LongCat-2.0 开源：1.6T 参数每 token 激活 33B–56B，首个五万卡国产集群推理的万亿模型3 天前
- Kimi K3 开源权重正式开放下载：2.8万亿参数，全球最大开源模型纪录2 月前