一张 7 月更新的全球大模型榜单里，中国模型 Kimi K3 排到了第三。
排在它前面的，是 Anthropic 的 Claude Fable 5 和 OpenAI 的 GPT-5.6 Sol。Kimi K3 的得分还超过了 Claude Opus 4.8。
这是 Artificial Analysis 在 7 月 17 日公布的 Intelligence Index 结果。
但打开另一张榜单，顺序可能立刻改变。聊天偏好、代码、搜索和智能体执行测的不是同一件事；有的榜单还没来得及加入刚发布的版本。
所以，一份榜单至少要同时写清三个日期：模型什么时候发布，榜单什么时候更新，数据什么时候被读者核验。
这是一份 2026 年 7 月的榜单快照；模型版本此后可能已更新。本文核验时间是 2026 年 7 月 30 日。先把版本纠正，再谈排名。
先把十家的最新版本说清楚
“最新版本”不等于“最强版本”。有的厂商同时提供旗舰、快速和低成本档位；有的 App 会自动路由，用户看到的产品名并不是底层模型名。
国内六家当前可核对的主要版本如下：
| 产品族 | 截至 7 月 30 日的当前版本 | 最先测试什么 |
|---|---|---|
| DeepSeek | V4-Pro / V4-Flash | 推理、代码、一百万上下文 |
| 通义千问 | Qwen3.6 开放模型系列 | 代码仓库、智能体任务、多轮工作 |
| Kimi | K3 | 长文档、搜索研究、原生视觉和长周期任务 |
| 智谱 GLM | GLM-5.2 | 编程、长程智能体和一百万上下文 |
| 豆包 | Seed 2.1 Pro / Turbo、Seed Evolving | 日常入口、多模态、代码和智能体 |
| MiniMax | M3 | 代码、智能体、多模态和一百万上下文 |
这六家不是同一种产品。
DeepSeek 更像一个高能力模型和开发接口；豆包首先是大量普通用户直接打开的 App；Kimi 把长文档、搜索和 Agent 放在显眼位置；Qwen、GLM 和 MiniMax 同时面向开发者与工作流。
同样一句“支持长上下文”，在产品里可能意味着不同体验。有的允许一次上传整份材料，有的需要调用 API，有的能读完却不能稳定输出表格，有的还会把搜索、代码执行和文件导出接在模型外面。
因此，不能只比较模型名字，还要比较你实际使用的那个入口。
DeepSeek V4 于 4 月 24 日发布，旧的 deepseek-chat 和 deepseek-reasoner 名称已在 7 月 24 日到达停用日期。Qwen 当前公开仓库中的新系列为 Qwen3.6。
Kimi 在 7 月 16 日发布 K3，官方把它定位于长周期编码、知识工作和原生视觉，并在 7 月 27 日开放完整权重。
智谱在 6 月 16 日上线 GLM-5.2，已不是上一篇写的 GLM-5.1。官方发布页把上下文标为一百万，并强调项目级代码和长程任务。
火山引擎当前模型页已经列出 Doubao-Seed-2.1-pro、2.1-turbo 和 Seed-Evolving；MiniMax 最新旗舰是 6 月 1 日发布的 M3。
六家都能做很多事情，但“官方说能做”与“你的文件一次做对”之间，仍隔着产品入口、工具配置和复核过程。
海外产品同样已经分成不同路线。
| 产品族 | 截至 7 月 30 日的当前旗舰 | 最先测试什么 |
|---|---|---|
| OpenAI / ChatGPT | GPT-5.6 Sol；另有 Terra、Luna | 知识工作、文件、表格、演示文稿和工具协作 |
| Anthropic / Claude | Fable 5；日常档位 Sonnet 5 | 长文、代码、浏览器与终端连续执行 |
| Google / Gemini | Gemini 3.5 Flash | 搜索、多模态、Google 生态和智能体任务 |
| xAI / Grok | Grok 4.5 | 实时信息、代码、办公文件和 X 生态内容 |
ChatGPT 的优势不只来自一个 GPT 型号。它把模型、搜索、文件、图像、数据分析和不同工作入口组合在一起。GPT-5.6 又分成 Sol、Terra、Luna，不同档位分别偏向高能力、平衡和成本。
Claude 当前最高能力、面向一般用户开放的型号是 Fable 5，7 月 1 日恢复全球访问。Sonnet 5 是较低成本的日常档位，不能再把它写成 Anthropic 的最高旗舰。
Gemini 3.5 Flash 已进入 Gemini App 和 Google 搜索的 AI Mode，同时面向开发者与企业智能体平台。它是否适合你，很大程度取决于工作是否已经围绕 Google 的搜索、云端文件和办公生态展开。
Grok 4.5 则把代码、智能体和办公工作作为重点，也与 Grok、Cursor 等入口连接。经常追踪 X 上实时讨论的人，可能会注意它；但实时内容多，不等于来源天然可靠。
这四个海外产品也没有统一胜负。有人需要 Google 生态，有人把 Claude 当成写作和编程工作台，有人依赖 ChatGPT 的综合工具，也有人关心 X 上的新信息。
产品所在的生态，往往比模型多两分还是少两分更影响每天的使用。
两张最新榜单，给出了什么名次
先看 Artificial Analysis Intelligence Index。
这套指数由十项评测组成，覆盖知识工作、科学、代码、长上下文、工具调用和智能体任务。它不是聊天满意度调查，更接近统一条件下的能力测试。
按每家实验室得分最高的模型计算，7 月 17 日的前六名是：
| 实验室排名 | 模型 | 指数分 |
|---|---|---|
| 1 | Claude Fable 5 | 60 |
| 2 | GPT-5.6 Sol（max） | 59 |
| 3 | Kimi K3 | 57 |
| 4 | Grok 4.5（high） | 54 |
| 5（并列） | GLM-5.2（max） | 51 |
| 5（并列） | Meta Muse Spark 1.1（xhigh） | 51 |
这张表为了避免同一公司占据多行，只保留每家实验室的最高模型。如果逐个型号排名，Claude Opus 4.8、GPT-5.6 Terra 等也会插入中间。
在这套指数里，Kimi K3 是中国模型第一、全球实验室第三。GLM-5.2 并列第五。
6 月公布的同一指数还显示，GLM-5.2 为 51 分，MiniMax M3 与 DeepSeek V4 Pro 均为 44 分。Kimi K3 发布后，以 57 分改写了中国模型的最高位置。
Qwen3.6 和 Doubao Seed 2.1 没有出现在这次可直接对齐的前列数据里。这表示榜单没有给出同条件结果，不表示它们的能力是零，也不能擅自补一个名次。
再看 Agent Arena。
它统计真实智能体会话中的任务完成、可引导性、工具可靠性和错误恢复。按实验室最高模型查看，7 月 21 日前四名是：
| 实验室排名 | 模型 | 净改善率 |
|---|---|---|
| 1 | Claude Fable 5（High） | 12.72% |
| 2 | GPT-5.6 Sol（xHigh） | 10.12% |
| 3 | Kimi K3 | 9.71% |
| 4 | GLM-5.2（Max） | 6.50% |
两张榜单的前三家实验室相同：Anthropic、OpenAI、月之暗面。但这不代表它们在中文写作、搜索、图片、价格和手机 App 体验上也按同样顺序排列。
Text Arena 的人类偏好榜又是另一套结果。它会受到文风、回答长度、参评版本和投票量影响，而且新模型进入榜单需要时间。
同一个基础模型放进不同产品，表现可能明显不同。
模型负责理解和生成。App 决定你能否上传文件、联网搜索、保存记忆、调用图片或导出结果。智能体系统还会替模型安排步骤、使用浏览器和终端，并在出错后重试。
所以“某模型会做 PPT”可能有三种含义：
- 它只能给出幻灯片大纲；
- 它能生成一份文件，但格式仍需人工整理；
- 它能读取模板、修改页面并交付可以继续编辑的文件。
三种能力在宣传中可能都叫“生成 PPT”，节省的时间却完全不同。
代码也是一样。能写一个函数，不等于能进入旧项目定位问题、修改多个文件、运行测试，再保证没有破坏其他功能。
普通用户比较产品时，应把问题从“底层是什么模型”改成“我从哪个入口进去，最后能拿到什么结果”。
把十个模型放进同一个工作日
早上要查一项刚更新的政策，先测试搜索。
不要只看回答是否完整。检查它有没有原始来源、来源日期是否足够新、链接能否打开，以及模型是否把官方文件和媒体转述混在一起。
国内外模型都可能搜索，也都可能引用错误。这里没有国别捷径。
中午要写邮件、公众号或工作说明，测试的是写作。
给模型三段自己真实写过的文字，要求它保持事实不变，只调整长度和语气。第二轮再让它只改其中一句，看它会不会把已经确认的段落重新写掉。
下午要处理 PDF、Excel 或会议录音，测试的是文件。
长上下文数字只能说明可以放进去多少内容，不能证明模型不会漏掉脚注、扫描页和合并单元格。拿一份你已经知道答案的材料，检查日期、金额、否定条件和表格总数。
晚上要改代码、做网站或自动完成一串操作，测试的是执行。
这时模型本身只占一部分。是否有浏览器、终端、文件编辑器、权限确认和错误重试，都会决定结果。真正的及格线只有一条：文件能打开、测试能通过、改动可以撤销。
同一个模型可能在上午最合适，下午却不是最佳选择。所谓“最强模型”，到了生活里会拆成几种不同工作的最合适入口。
国内和海外，真正差在这四笔账
第一笔是访问和支付。
一个模型能力再强，如果账号不稳定、付款困难、网络延迟高，或者工作地点无法正常使用，就不适合成为主力。主力工具首先要能每天打开。
第二笔是中文和本地信息。
国内产品通常更重视中文表达、本地应用和国内信息入口，但这不是自动获胜。涉及政策、医疗、法律和价格时，无论使用哪国模型，都要回到发布机构和原始文件。
第三笔是生态。
如果文件都在 Google 生态，Gemini 的入口可能减少搬运；开发工作围绕 Claude Code、Codex、TRAE 或 Kimi Code，工具链的差别会比聊天框里的回答更明显。
第四笔是数据边界。
公司文件能否上传、数据保存多久、是否用于改进模型、服务位于哪个地区，要看具体产品和账户条款。不能因为“国产”就默认没有隐私风险，也不能因为“海外”就直接判定无法使用。
国别可以帮助理解服务环境，不能代替对具体产品的检查。
十个候选，最后只留下“一主一备”
主力模型负责高频、低风险、格式相对固定的工作。
它不一定在榜单第一，但要让你少解释背景，能找到历史记录，熟悉它容易犯什么错，也能稳定输出你需要的格式。
备用模型必须有一项清楚的职责。
它可以专门核对搜索结果，专门处理长文档，专门写代码，或者在主力连续失败时提供第二种答案。没有明确职责的备用，最后通常只是第二份会员费。
一个可执行的组合可能是：
- 主力负责中文写作、搜索和日常文件；
- 备用负责代码和复杂执行；
- 或者主力留在现有办公生态，备用只做交叉核验。
这里故意不直接写某两个品牌。因为同一组合放到教师、销售、程序员和个体店主身上，答案会完全不同。
用七天做一次自己的横向测试
从十个产品里先选三个，不要一次全开。
选择标准很简单：一个你现在最常用的，一个国内候选，一个海外候选。若访问条件不允许，就换成实际能稳定使用的产品。
准备六项最近真正做过的任务：
- 查一项需要最新来源的信息；
- 把一段工作消息改得简短、自然；
- 从长文档提取日期、金额和待办；
- 整理一份表格或结构化清单；
- 完成一个需要工具或文件输出的任务；
- 重做一项过去曾让模型失败的工作。
三个候选使用同样的原始材料和要求。不要因为第一个回答不好，就给第二个偷偷补充更多提示。
每次只记四项：
| 记录项 | 怎么记 |
|---|---|
| 首次可用 | 不改或只改小错误，记 1 |
| 修正时间 | 从发现问题到可以交付的分钟数 |
| 严重错误 | 错来源、漏日期、编造内容分别计数 |
| 实际费用 | 会员摊销或接口调用成本 |
七天后，先淘汰出现严重错误又无法稳定纠正的产品，再比较修正时间。
一个模型回答快十秒，却让你多花八分钟核对，不是真的更快。另一个模型宣传不多，但能少漏字段、保留格式，反而更适合成为主力。
只在三种情况发生时重测：
- 当前主力在高频任务上连续失败；
- 新产品提供了你每周都会用到的关键能力；
- 价格、隐私条款、访问条件或单位要求发生变化。
除此之外，每月集中试一次新版本，比每天追着发布消息迁移更省时间。
身份证、病历、未公开合同、客户名单和公司源代码，也不要因为换了一个更强模型就直接上传。重要结果要单独保存，关键事实要回到原始材料。
大模型市场早已过了 DeepSeek 对 ChatGPT、国产对海外的一场单项比赛阶段。
它更像十家工具店：有人擅长搜索，有人擅长写作，有人能处理文件，有人带着浏览器和终端把事情做完。
最后真正应该留下的只有两样：一个主力、一个备用；七天以后，它们让你少改几遍、少开一份会员、少丢一次文件。
你现在的「主力模型」是哪一款，因为什么选它？评论区说说。 转给天天追大模型发布消息的朋友——榜单可以追，主力不用天天换。