AI 模型排名史（2020 至 2026）：从 GPT-3 到 Gemini 4 的每一任第一

数据抓取时间： 2026 年 10 月 24 日（UTC）。其中最新的一版榜单发布于 2026 年 10 月 22 日，所以图表里的 10 月只覆盖了三周。

作者 Frankie C. · Mindber 高级市场研究员。通过 Mindber Innovation Index 方法追踪东南亚市场 500 多个 AI/SaaS 工具。

评估方式： 我们读取了 Arena 在 2023 年 5 月到 2025 年 8 月间保存的每一份文本总榜快照。此后发布的榜单来自它在 Hugging Face 上公开的历史数据集。每个月我们只取最后一版榜单，再取每家实验室在这版榜单上得分最高的模型。2023 年以前的分数来自各模型发布时的论文。这是对公开数据的整理，不是上手测试，每个月的数字都在图表下方的 CSV 里。

2023 年 5 月 Arena 文本榜开张以来，只有四家 AI 实验室以第一名结束过一个月。OpenAI 做到了 17 个月，Google 16 个月，Anthropic 8 个月，xAI 1 个月。榜单的头十个月，第一一直是 OpenAI 的 GPT-4 系列。此后第一名在不同实验室之间易手了七次。

Arena 靠人投票排名，不靠考试分数。访客输入一个问题，并排拿到两个匿名模型的回答，选出更好的那个，投完票才看到模型名字。数以百万计的投票，最终换算成一个类似国际象棋等级分的分数。

按下播放，42 个月的榜单变化一次看完，再往下读每次换位背后的原因。

每根柱子代表一家实验室当月最后一版文本总榜上得分最高的模型。坐标轴从略低于最短柱子的位置起算，而不是从零开始。

2026年10月Meta 的 Muse Wonder 与 Claude Opus 5.5 并列第二

1440

1460

1480

1500

2026年10月Meta 的 Muse Wonder 与 Claude Opus 5.5 并列第二2026年10月10月2026

OpenAIGPT-5.6 Sol

14851485

AnthropicClaude Opus 5.5

15091509

LMSYSVicuna-33B

LM11731173

GoogleGemini 4 Argon

15171517

UC BerkeleyStarling-7B

UCB11681168

MosaicMLMPT-30B-Chat

Mo11511151

斯坦福Alpaca-13B

SU10701070

RWKVRWKV-4 Raven

10421042

OpenAssistantOpenAssistant Pythia

OA10241024

智谱GLM-5.3

14811481

华盛顿大学Guanaco-33B

UW11281128

微软Phi-4

12561256

Nomic AIGPT4All-13B

No10681068

MetaMuse Wonder

15091509

Mistral AIMistral Large 4

14341434

OpenChatOpenChat 3.5

11831183

Hugging FaceZephyr ORPO 141B

12131213

阿里巴巴Qwen3.8-Max

14831483

TIIFalcon-180B

11481148

Ai2Olmo 3.1 32B

13291329

零一万物Yi-Lightning

13281328

CohereCommand A

13541354

NexusflowAthene-V2

Nx13141314

RekaReka Core

12881288

英伟达Nemotron 3 Ultra

14261426

DeepSeekDeepSeek-V4.1 Flash

14761476

xAIGrok 4.20 Beta

14751475

阶跃星辰Step 5 Preview

14481448

腾讯Hunyuan HY3

14541454

MiniMaxMiniMax-M3

14401440

月之暗面Kimi K3

14871487

美团LongCat-Flash

14361436

百度ERNIE 5.1

14671467

字节跳动Seed 2.0

14561456

小米MiMo-V2.6-Pro

14801480

居首月数2023年5月以来位居第一的月数OpenAI17 个月Google16 个月当前第一Anthropic8 个月xAI1 个月

重播

0.1×0.3×0.5×1×2×4×

月份嵌入

2026年10月：Google以 1517 分领先

2026年10月 · Arena 文本得分

排名	实验室	当月最佳模型	得分	居首月数
1	Google	Gemini 4 Argon	1517	16
2	Anthropic	Claude Opus 5.5	1509	8
3	Meta	Muse Wonder	1509	0
4	月之暗面	Kimi K3	1487	0
5	OpenAI	GPT-5.6 Sol	1485	17
6	阿里巴巴	Qwen3.8-Max	1483	0
7	智谱	GLM-5.3	1481	0
8	小米	MiMo-V2.6-Pro	1480	0
9	DeepSeek	DeepSeek-V4.1 Flash	1476	0
10	xAI	Grok 4.20 Beta	1475	1
11	百度	ERNIE 5.1	1467	0
12	字节跳动	Seed 2.0	1456	0
13	腾讯	Hunyuan HY3	1454	0
14	阶跃星辰	Step 5 Preview	1448	0
15	MiniMax	MiniMax-M3	1440	0
16	美团	LongCat-Flash	1436	0
17	Mistral AI	Mistral Large 4	1434	0
18	英伟达	Nemotron 3 Ultra	1426	0
19	Cohere	Command A	1354	0
20	Ai2	Olmo 3.1 32B	1329	0
21	零一万物	Yi-Lightning	1328	0
22	Nexusflow	Athene-V2	1314	0
23	Reka	Reka Core	1288	0
24	微软	Phi-4	1256	0
25	Hugging Face	Zephyr ORPO 141B	1213	0
26	OpenChat	OpenChat 3.5	1183	0
27	LMSYS	Vicuna-33B	1173	0
28	UC Berkeley	Starling-7B	1168	0
29	MosaicML	MPT-30B-Chat	1151	0
30	TII	Falcon-180B	1148	0
31	华盛顿大学	Guanaco-33B	1128	0
32	斯坦福	Alpaca-13B	1070	0
33	Nomic AI	GPT4All-13B	1068	0
34	RWKV	RWKV-4 Raven	1042	0
35	OpenAssistant	OpenAssistant Pythia	1024	0

来源： LMArena 榜单历史数据 · 月度数据（CSV） · 制作你自己的动态排名图

每根柱子是一家实验室，标着它当月最好的模型。这种分数没有真正意义上的零点，所以坐标轴从略低于画面里最短柱子的位置起算，随整体水平移动。柱子下方的面板统计每家位居第一的月数，点开表格可以看到当月每家实验室的分数。图里的 35 家实验室，都至少进过一次前十。

同一场竞赛的 75 秒短片，每一次第一名的更替都在里面：

1:15

Arena 之前：GPT-3 到 GPT-4 考的是同一场试

2020 年还没人用投票给聊天机器人排名，因为公众手里根本没有聊天机器人。各家实验室比的是基准测试，比较的对象都是大语言模型。最后留下来的是 MMLU，一套覆盖 57 个科目的选择题，由 Dan Hendrycks 等人在 2020 年 9 月发表。纯靠猜能拿 25%。

当年夏天发布的最大版 GPT-3，在 MMLU 自己的论文里只拿了 43.9%。DeepMind 的 Gopher 在 2021 年底做到 60.0%。Google 的 PaLM 在 2022 年 4 月做到 69.3%。ChatGPT 在 2022 年 11 月 30 日上线，背后是 GPT-3.5，OpenAI 后来公布它的成绩是 70.0%。

在提示里给出五道例题时的答对比例，取自各模型论文。纯猜可得 25。

GPT-4（2023 年 3 月）

86.4/100

GPT-3.5（2022 年 11 月）

70/100

PaLM 540B（2022 年 4 月）

69.3/100

Chinchilla（2022 年 3 月）

67.6/100

LLaMA 65B（2023 年 2 月）

63.4/100

Gopher（2021 年 12 月）

60/100

GPT-3 175B（2020 年）

43.9/100

0255075100

Source: MMLU 论文及各模型技术报告, Oct 24, 2026

接着，据 GPT-4 技术报告，GPT-4 在 2023 年 3 月比前代高出 16 分，这场考试顶端已经没剩多少空间。公开考试还有一个毛病：题目可能混进下一代模型的训练数据。排名需要一个背不下来的裁判，Arena 正好补上。

2023 年：GPT-4 坐稳第一，开放模型争第五

LMSYS 是从加州大学伯克利分校起家的研究团队，它在 2023 年 5 月 3 日推出 Chatbot Arena。第一版榜单只排了九个开放模型，自家的 Vicuna-13B 以 1169 分居首。几天之内闭源模型就加了进来。到 5 月底，GPT-4 以 1225 分领先，Claude 1 以 1195 分紧随其后。

GPT-4 一整年都没丢掉第一，最后取代它的是自家后继者。OpenAI 在 11 月开发者大会上发布的 GPT-4 Turbo，在 11 月 16 日的榜单上登顶。

Anthropic 这一年有个怪现象：Claude 1 一直压着本该接替它的新模型。12 月 20 日的榜单上，Claude 1 是 1149 分，Claude 2.0 是 1131 分，Claude 2.1 是 1117 分。投票的人不会因为模型更新就多给分。

两家闭源实验室之下，榜单属于大学和小团队，大多是在 Meta 的 LLaMA 上做微调。Vicuna 出自 LMSYS，Koala 出自伯克利，Guanaco 出自华盛顿大学，WizardLM 出自微软的研究人员。所以 2023 年的柱子里会出现斯坦福、MosaicML 和 RWKV。这些开放模型里最好的排在第五或第六，落后 GPT-4 大约 80 到 170 分。Meta 在 7 月发布了开放权重的 Llama 2。12 月，Mistral 的 Mixtral 8x7B 成为榜上最强的开放模型。

2024 年 3 月：GPT-4 第一次丢掉第一

先松动的是 Google。2024 年 1 月，当时跑着 Gemini Pro 的 Bard 一下跳到第二，仅次于 GPT-4 Turbo。

Anthropic 在 3 月 4 日发布 Claude 3。到月底，Claude 3 Opus 拿到 1253.6 分，只比 GPT-4 Turbo 高 2.4 分。这是 GPT-4 加入 Arena 以来，榜首第一次不是 OpenAI 的模型。

Arena 自己的表格把这么小的差距当作平手。每个分数都带置信区间，区间重叠的模型共享同一名次。下面这条 4 月 11 日的帖子里，四个模型并列第一，GPT-4 Turbo 的 4 月新版排在最前面。

Arena 当时还用 LMSYS 账号发帖。四个模型置信区间重叠，所以并列第一。时间为 UTC。来源：x.com/lmsysorg/status/1778555678174663100

代号测试和 gpt2-chatbot 那一周

实验室会用代号把未发布的模型放上 Arena 测试，投票的人不知道自己在看谁的回答。2024 年 5 月初，一个叫 im-also-a-good-gpt2-chatbot 的匿名模型赢个不停，网上很多人都在猜它的来历。

5 月 13 日 OpenAI 揭晓了答案。研究员 Liam Fedus 发帖说，这个模型就是 GPT-4o，还附上了下面这张评分图。预览里它是 1310 分，比 GPT-4 Turbo 的 4 月版高出 57 分。

OpenAI 的 Liam Fedus 在发布当天公开代号。时间为 UTC。来源：x.com/LiamFedus/status/1790064963966370209

换回真名之后，GPT-4o 到 5 月底稳定在 1287 分。这种回落很正常。几千票算出的分数，比几万票算出的波动大得多，所以新模型上线时的领先常常会缩水。看任何新模型上榜第一周的成绩，都要记住这一点。

推理模型登场，Google 首次登顶

Google 第一次拿到第一，是在 2024 年 8 月 1 日的榜单上。实验版 Gemini 1.5 Pro（exp-0801）拿到 1300 分，GPT-4o 是 1286 分。不到月底，OpenAI 的新版 ChatGPT-4o 又回到了前面。

9 月来了 o1-preview，这是 OpenAI 的第一个推理模型。它会先在看不见的步骤里把问题想一遍再作答，当月月底就排在榜首。如今榜单前列很多都是推理模型，名字后面常带着 High 或 Max 之类的推理强度。

2024 年 11 月是榜首最热闹的一个月。11 月 13 日的榜单由 Gemini-Exp-1114 领先。一周后，ChatGPT-4o 的 11 月 20 日更新接过第一，第二天 Gemini-Exp-1121 又抢了回去。此后 Google 靠 Gemini-Exp-1206 和 Gemini 2.0 Flash Thinking 一直领先到 1 月。

DeepSeek 在 2025 年 1 月 20 日以 MIT 许可证发布 R1，任何人都可以下载运行。到 1 月 28 日，它在榜上排第六，高过 Anthropic 和 Meta 的所有模型。2 月，xAI 拿到了它唯一一个月的第一，靠的是早期版本的 Grok 3，1403.5 分。

Google 连续领先十一个月

Gemini 2.5 Pro 在 2025 年 3 月 25 日一上榜就是第一。Arena 说这是它记录过的最大分数跃升。Google 此前用代号 "nebula" 在榜上测试过这个模型。

Arena 在发布当天的帖子：1443 分，Grok-3-Preview 是 1404 分，GPT-4.5-Preview 是 1398 分。时间为 UTC。来源：x.com/lmarena_ai/status/1904581128746656099

此后 Google 连续十一个月在月底领先，先是这个模型的三个版本，再是 Gemini 3 Pro。这段时间里有两个对手短暂冲上过第一。GPT-5 在 2025 年 8 月 7 日发布当天登顶，到 8 月 21 日 Google 又回到前面。10 月 3 日，Claude Sonnet 4.5 Thinking 以不到一分的优势领先，四天后被反超。月底快照把这两次都藏起来了，这是按月推进的图表要付的代价。

2025 年 11 月 16 日，Gemini 3 Pro 上榜，成为第一个分数超过 1500 的模型。

Anthropic 的 2026 年，以及 10 月 22 日的榜单

Claude Opus 4.6 在 2026 年 2 月 6 日的榜单上登顶。此后直到 8 月，Anthropic 每个月底都排第一，先后靠 Opus 4.6、Opus 4.7，6 月起是 Claude Fable 5。Fable 5 首次上榜就是 1510 分，是当时榜上出现过的最高分。6 月 9 日发布三天后，美国政府的一道命令让 Fable 5 下线，但在停用的三周里，Arena 照常公布它的分数。

9 月 30 日，Google 带着 Gemini 4 Argon 回到第一，比第二名高出 19 分。

Arena 文本榜，取每月最后一版，2023 年 5 月至 2026 年 10 月（42 个月）

OpenAI

17/42

Google

16/42

Anthropic

8/42

xAI

1/42

011213242

Source: LMArena 榜单历史数据，Mindber 整理, Oct 24, 2026

10 月 22 日的榜单上，Gemini 4 Argon (High) 以 1517.2 分领先。Claude Opus 5.5 (High) 和 Meta 新推出的 Muse Wonder (Max) 都是 1508.7 分，并列第二。Google 的领先是真的，但很薄，三者的置信区间互有重叠。Anthropic 胜在厚度：前 14 名里有 9 个是 Claude 模型。我们的 Model Arena 排行榜同步这份排名的最新版本，目前收录 418 个模型。

OpenAI 是这份榜单上的意外。它最好的是 GPT-5.6 Sol (xHigh)，1485.1 分，排第 21 名，在各实验室里只排第五，月之暗面开放权重的 Kimi K3 还略高于它。GPT-6 系列排得更靠后：GPT-6.1 Sol (Max) 第 27 名，GPT-6 Astra (Max) 第 32 名。文本榜衡量的是人们更喜欢哪个聊天回答，OpenAI 的最新模型暂时还没赢下这场投票。

开放权重模型还落后多少？

开放权重模型是指训练好的权重任何人都能下载，并在自己的硬件上运行的模型。最好的开放模型和榜首之间的差距是一级一级缩小的，每一级都对应一次发布。

Arena 文本榜，取当月最后一版。柱子越短，开放模型离榜首越近。

2023 年 5 月：Vicuna-13B

171/180

2023 年 12 月：Mixtral 8x7B

122/180

2025 年 7 月：Kimi K2

43/180

2026 年 10 月：Kimi K3

30/180

2024 年 7 月：Llama 3.1 405B

24/180

2025 年 1 月：DeepSeek-R1

24/180

2026 年 8 月：Kimi K3

19/180

04590135180

Source: LMArena 榜单历史数据与许可证标注，Mindber 整理, Oct 24, 2026

第一个标杆是 Meta 立的。它最大的开放模型 Llama 3.1 405B 在 2024 年 7 月的榜单上排第五。从 2024 年 12 月起，每个月底最好的开放模型都来自中国实验室：DeepSeek、月之暗面、智谱或阿里巴巴。"开放"背后的许可证差别很大，从 MIT 到 Kimi K3 许可证这样的自定义条款都有，拿来做产品之前要逐条看清。

Arena 自己的帖子也记录了这个变化。2026 年 4 月，它把 Kimi K2.6 列为文本榜第二好的开放模型，在 Code Arena 网页开发榜上排第六。

Arena 关于 Kimi K2.6 的帖子。图里是 Code Arena WebDev 榜，前五名中有四个是 Claude 模型。时间为 UTC。来源：x.com/arena/status/2047073519851438345

最新榜单上排名前十的实验室里，有五家来自中国：月之暗面、阿里巴巴、智谱、小米和 DeepSeek。2024 年 5 月，离榜首最近的中国实验室是零一万物，还差 48 分。智谱的 GLM 模型，也就是 ChatGLM 应用背后的模型，从 2026 年 2 月到 6 月一直是榜上最好的开放模型。

差距越来越小

Arena 文本榜第一名实验室与第十名实验室的分差

304

2023 年 5 月，榜上 17 个模型

168

2024 年 1 月

108

2025 年 1 月

43

2026 年 10 月，榜上 418 个模型

分差可以换算成胜率。在 Arena 的计分方式下，相差 400 分意味着强的一方十一次里赢十次。2023 年 5 月 304 分的差距，意味着 GPT-4 的回答对第十名实验室最好的模型大约有 85% 的胜率。到 2026 年 10 月，Google 的榜首对第十名实验室最好的模型，也就是 xAI 的 Grok 4.20 Beta，胜率只有 56% 左右。

差距缩小，一部分是因为参赛的多了。2023 年 5 月排第九、第十的实验室是 OpenAssistant 和智谱，模型都在 120 亿参数以内，放到一年后连前十都进不去。但更多是因为榜首之下的真实进步。如今前十的每一家都在这个差距之内，而 2024 年 6 月只有 OpenAI、Anthropic 和 Google 做得到。

实验室能刷 Arena 的分吗？

Meta 离这条线很近。2025 年 4 月 5 日发布 Llama 4 时，榜上的模型是 "Llama-4-Maverick-03-26-Experimental"，在 4 月 8 日的榜单上以 1417 分排第二。随后 Arena 发帖说，Meta 对规则的理解"不符合我们对模型提供方的期待"，并表示 Meta 应当讲清楚，这是一个"为迎合人类偏好而定制的模型"。Arena 给 Meta 正式公开的 Maverick 单独评分后，它的排名落在对手后面，在 4 月 23 日的榜单上是第 60 名。

同一个月，Cohere Labs 和几所大学的研究者发表了 The Leaderboard Illusion。他们分析了 2024 年 1 月到 2025 年 4 月的 200 万场对战，发现少数提供方可以私下测试很多个变体，只公开表现最好的那个，其中一家测了 27 个。从很多次尝试里挑最好的一次，就算没有哪个变体真的更强，分数也会被抬高。

按它的数据集说明，这段历史里 Arena 自己也改过三次算法：

• 2024 年 1 月 9 日： 评分从在线 Elo 改为 Bradley-Terry 拟合，把所有投票放在一起计算。
• 2025 年 5 月 16 日： 风格控制成为默认榜单。它扣除了更长、格式更花哨的回答在投票中天然占到的便宜，Arena 也把它调整到和原来同一个分数尺度上。
• 2025 年 7 月 23 日： Arena 加入了按出场频率对投票重新加权。

我们的图表跟随 Arena 当时默认展示的榜单：2025 年 4 月以前用原始评分，5 月起用风格控制后的评分。

文本投票不是比赛的全部

文本榜只回答一个问题：人们更愿意读哪个回答。Arena 现在为别的任务另开了榜单，各榜的领先者并不一样。网页开发榜在 2025 年 11 月并入主站。Agent Arena 评的是完整的智能体任务过程，而不是单次回答，它在 2026 年 6 月 4 日开放，用的是另一套计分方法。

Claude Fable 5.1 (Max) 就是个例子。它在当前文本榜上排第五，进入 Agent Arena 时却直接排在第一。

Arena 关于 Claude Fable 5.1 的 Agent Arena 帖子：6700 多场任务中净提升 15.8%，每项任务中位成本 4.14 美元。GPT-5.6 Sol (xHigh) 在这个榜上排第五。时间为 UTC。来源：x.com/arena/status/2096398986383184269

如果你的工作是写代码或跑智能体，这些专项榜更有参考价值。我们的 2026 年 6 月排行榜按任务类型综合了几个独立来源给模型排名。专项榜的分数和文本榜不在同一个尺度上，不能直接拿来比较。

2023 年以来的每一任第一，以及图表怎么做的

下表列出每次月底榜首模型发生变化的月份，模型名照 Arena 原样列出，分数取当月最后一版榜单。

图表的数据有两个来源，在 2025 年 9 月接上。此前的月份，我们读取 Arena 在 Hugging Face Space 里保存的榜单快照，每次更新一个文件。2025 年 9 月起读取 Arena 的历史数据集。只用数据集不够，因为它删掉了已退役的模型：Claude 1 和 2、Bard 以及所有 Gemini "exp" 版本都不在里面，而其中好几个当过第一。两个来源重叠的部分，我们比对过的每个模型分数都一模一样，精确到小数点后一位。

每家实验室的柱子按 Arena 的机构字段归类，所以 Vicuna 算 LMSYS，WizardLM 算微软。柱子上的标志来自开源图标库 Lobe Icons，版权归各公司所有。2023 年的榜单有几周显示在线 Elo，另几周显示自助抽样中位数，我们一律采用当时公开表格上印出的数字。

这份排名说明不了什么

投票衡量的是偏好，不是对错。投票的人如果自己不懂，一个自信的错误回答也能赢。投票者是主动访问模型对比网站的那群人，他们的问题不是你的问题。

柱子也看不出成本。一家实验室的最佳成绩，往往来自最贵的配置，比如 "Max" 或 "xHigh" 推理强度，价格可能是默认设置的好几倍。

常见问题

有没有 ChatGPT 3？

没有。GPT-3 在 2020 年发布，只通过 OpenAI 的 API 面向开发者。ChatGPT 到 2022 年底才出现，一上线用的就是 GPT-3.5，付费用户在 2023 年 3 月用上 GPT-4。我们的 ChatGPT 入门讲了这个应用和背后模型的关系。

现在 Claude 比 ChatGPT 强吗？

在当前文本榜上，Anthropic 最好的模型比 OpenAI 最好的模型高 24 分，换算下来，投票者约有 53% 的时候更喜欢 Claude 的回答。这是领先，不是碾压。AI 对比专题逐项比较了两款应用，我们的 Claude Pro 与 ChatGPT Plus 对比算了付费方案的账。

哪个模型坐第一的时间最长？

Gemini 2.5 Pro，把实验版、预览版和正式版算在一起，从 2025 年 3 月到 10 月连续八个月底排第一。最初的 GPT-4 是六个月，从 2023 年 5 月到 10 月。

分数是相对的，为什么榜首分数一直在涨？

Arena 用参照模型把分数尺度固定下来。2024 年 3 月到 2025 年 4 月，Mixtral 8x7B 在每一版榜单上都正好是 1114 分。新的榜首必须在一对一投票中赢过老榜首，所以顶端分数会慢慢往上爬。算法调整也会挪动尺度，跨好几年比较分数只能看个大概。

我可以使用这些数据吗？

可以。Arena 以 CC BY 4.0 许可证公开它的历史数据集，图表下方的月度 CSV 也列出了每家实验室每月的最高分和模型名。请注明 LMArena 为来源，并链接回本页说明实验室的归类方式。

更多 Mindber 内容

想看关注度而不是模型水平，我们的 AI 品牌竞赛用维基百科浏览量和 Google 搜索追踪了同一批公司。Claude Fable 5 指南讲了这个模型有什么不同。柱子背后的消费级应用各有页面：ChatGPT、Claude 和 Gemini，AI 聊天机器人目录收录了其余产品。

来源与方法

月度评分来自 Arena 的榜单快照（2023 年 5 月至 2025 年 8 月）和以 CC BY 4.0 许可公开的历史数据集（2025 年 9 月起），均于 2026-10-24 读取。2023 年以前的分数来自各模型论文。截图是 X 上的公开帖子，于 2026-10-24 通过 X 的嵌入页面截取。未做上手测试。

1. [1]
   2023 年以来的文本总榜历史、模型所属机构与许可证，以及 Arena 在 2024 年 1 月、2025 年 5 月和 7 月的算法调整

   LMArena leaderboard dataset（Hugging Face，CC BY 4.0） · 2026-10-24
2. [2]
   2023 年 5 月至 2025 年 8 月的榜单快照，包括已退役的模型

   Arena leaderboard Space（Hugging Face） · 2026-10-24
3. [3]
   Chatbot Arena 于 2023 年 5 月 3 日上线及首版开放模型榜单

   LMSYS: Chatbot Arena, Benchmarking LLMs in the Wild · 2023-05-03
4. [4]
   2023 年 5 月底榜单 GPT-4 以 1225 分居首，Claude 第二

   LMSYS: Chatbot Arena Leaderboard Updates (Week 4) · 2023-05-25
5. [5]
   MMLU 的设计及 GPT-3 的 43.9% 成绩

   Hendrycks et al., Measuring Massive Multitask Language Understanding · 2020-09-07
6. [6]
   Gopher 的 MMLU 成绩 60.0%

   Rae et al., Scaling Language Models: Methods, Analysis and Insights from Training Gopher · 2021-12-08
7. [7]
   Chinchilla 的 MMLU 成绩 67.6%

   Hoffmann et al., Training Compute-Optimal Large Language Models · 2022-03-29
8. [8]
   PaLM 540B 的 MMLU 成绩 69.3%

   Chowdhery et al., PaLM: Scaling Language Modeling with Pathways · 2022-04-05
9. [9]
   LLaMA 65B 的 MMLU 成绩 63.4%

   Touvron et al., LLaMA: Open and Efficient Foundation Language Models · 2023-02-27
10. [10]
    GPT-4 的 86.4% 与 GPT-3.5 的 70.0% MMLU 成绩

    OpenAI, GPT-4 Technical Report · 2023-03-15
11. [11]
    2024 年 4 月 GPT-4 Turbo 夺回第一

    Arena（当时为 LMSYS）在 X 上的帖子 · 2024-04-11
12. [12]
    GPT-4o 曾以 im-also-a-good-gpt2-chatbot 的名字在 Arena 测试

    Liam Fedus 在 X 上的帖子 · 2024-05-13
13. [13]
    DeepSeek-R1 于 2025 年 1 月 20 日以 MIT 许可证发布

    DeepSeek API Docs: DeepSeek-R1 release · 2025-01-20
14. [14]
    Gemini 2.5 Pro 以最大分数跃升登顶，测试代号 nebula

    Arena 在 X 上的帖子 · 2025-03-25
15. [15]
    Arena 称 Meta 应说明实验版 Llama 4 Maverick 是定制模型

    Arena（当时为 LMArena）在 X 上的帖子 · 2025-04-08
16. [16]
    公开版 Llama 4 Maverick 在 Arena 上排名落后于对手

    TechCrunch · 2025-04-11
17. [17]
    风格控制：按回答长度和 Markdown 格式调整评分

    LMSYS: Does Style Matter? · 2024-08-28
18. [18]
    私下测试多个模型变体，研究覆盖 200 万场对战，其中一家测试了 27 个变体

    Singh et al., The Leaderboard Illusion · 2025-04-29
19. [19]
    Kimi K2.6 在文本榜开放模型中排第二

    Arena 在 X 上的帖子 · 2026-04-22
20. [20]
    Claude Fable 5.1 (Max) 在 Agent Arena 排第一

    Arena 在 X 上的帖子 · 2026-09-06
21. [21]
    Fable 5 于 2026 年 6 月 12 日停用、7 月 1 日恢复

    Anthropic: Redeploying Fable 5 · 2026-07-01
22. [22]
    图表所用标志

    Lobe Icons，MIT 许可证 · 2026-10-24