多榜对照
三家 LLM 榜都在 2026-11-05 更新了最新一期，同一批模型在三个榜上的座次并不一致。本页把三家的分数并排放，缺数据的格子留空而不是补零。Roboflow 是视觉检测榜，单列在下方。
Artificial Analysis · 2026-11-05
60.0
Gemini 4 Carbon (high)
受限发布，普通人用不到
受限发布，普通人用不到
SuperCLUE · 2026-11-05
73.62
Gemini-4-Argon
海外参考组，不占排名
海外参考组，不占排名
OpenCompass 司南 · 2026-11-05
78.47
Kimi K3.1 Pro (max)
真·总榜第一
真·总榜第一
三个数字不能相加、不能平均、也不能换算。「6 个模型三家都测过」是本页唯一可以做横向比较的样本。
三个榜，一张表
按司南 V3.0 分数排序，没有司南成绩的排在末尾。灰字是名次，标「参考」表示该榜把它排除在排名之外（SuperCLUE 对海外模型的处理方式）。
| 模型 / 厂商 | 看点 | AA v5 | SuperCLUE | 司南 V3.0 |
|---|---|---|---|---|
| Kimi K3.1 Pro max 月之暗面 |
唯一在两家中文榜都拿第一的开源模型 | 46.5 | 61.46#1 | 78.47#1 |
| Claude Opus 5.5 max Anthropic |
只输 0.22 分的第二名 | 59.1 | — | 78.25#2 |
| Claude Sonnet 5.5 max Anthropic |
Vals Index 实际第一 | 54.5 | — | 75.56#3 |
| GPT-6.1 Sol max OpenAI |
三榜都在前四 | 54.6 | 71.76参考 | 75.19#4 |
| GPT-6 Astra max OpenAI |
完成任务耗时最短 | 56.9 | — | 74.3#5 |
| Gemini 4 Argon high 谷歌 |
可公开使用的最强 Gemini | 50.4 | 73.62参考 | 72.52#6 |
| Doubao-Seed-2.1-Pro 0915 字节跳动 |
司南排名高于 SuperCLUE | — | 42.06#6 | 71.8#7 |
| Qwen3.8-Max 0902 阿里通义 |
三榜齐全，司南知识维度国产最高 | 34.0 | 43.22#5 | 71.74#8 |
| Grok 4.7 xhigh xAI |
SuperCLUE 参考组里最高 | — | 49.66参考 | 71.48#9 |
| GLM-5.3 max 智谱 |
国产开源第三，终端任务强 | 32.0 | 50.66#3 | 71.45#10 |
| Gemini 3.8 Flash high 谷歌 |
上一代 Flash 仍在榜 | — | — | 71.01#11 |
| Hy4 high 腾讯混元 |
本轮最新的模型 | — | 42.96#5 | 70.65#12 |
| DeepSeek-V4.1-Flash-1017 深度求索 |
榜间落差最需要解释的一个 | 32.0 | 58.95#2 | 70.4#13 |
| GLM-5.3-Flash 智谱 |
小模型打平旗舰的样本 | — | 47.18#4 | — |
| Gemini 4 Carbon high 谷歌 |
AA 第一，但你还买不到 | 60.0 | — | — |
| Claude Fable 5.1 max Anthropic |
只出现在 AA 榜 | 50.0 | — | — |
| Muse Wonder full Meta |
仅 AA 收录 | 43.6 | — | — |
AA 取各模型最高档位的分数，同一模型的不同思考档位在 AA 榜上会各占一行，这里只显示最高的那一档。名次按各榜最新公开榜位次，SuperCLUE 允许 1 分以内并列，所以名次会有重复。
Roboflow RF-DETR 1.11.2
RF-DETR-2XL 是第一个在 COCO 上突破 60 AP 的实时模型。这是计算机视觉的目标检测模型，和上面的大语言模型没有任何可比性——放同一页只是因为这四家你在同一轮里一起看。
| 模型 | AP50:95 | 延迟 ms | 参数 M | 输入 | 许可 |
|---|---|---|---|---|---|
| RF-DETR-N | 48.4 | 2.3 | 30.5 | 384 | Apache 2.0 |
| RF-DETR-S | 53.0 | 3.5 | 32.1 | 512 | Apache 2.0 |
| RF-DETR-M | 54.7 | 4.4 | 33.7 | 576 | Apache 2.0 |
| RF-DETR-L | 56.5 | 6.8 | 33.9 | 704 | Apache 2.0 |
| RF-DETR-XL | 58.6 | 11.5 | 126.4 | 700 | PML 1.0 |
| RF-DETR-2XL | 60.1 | 17.2 | 126.9 | 880 | PML 1.0 |
| YOLO26-N | 40.3 | 1.7 | — | — | AGPL-3.0 |
| YOLO26-M | 52.5 | 4.4 | — | — | AGPL-3.0 |
| YOLO26-L | 54.1 | 5.7 | — | — | AGPL-3.0 |
| YOLO26-X | 56.9 | 9.6 | — | — | AGPL-3.0 |
| YOLO11-X | 50.9 | 10.5 | — | — | AGPL-3.0 |
COCO val2017 AP50:95 · NVIDIA T4 · TensorRT 10.4 FP16 · batch 1。灰化行为对照基线，延迟为单图推理、batch 1。XL 与 2XL 采用 PML 1.0，自托管商用需单独授权；N 到 L 及全系分割模型为 Apache 2.0。
换到真实数据集，差距会变大
RF100-VL 是 100 个真实行业数据集的平均分，比 COCO 更接近实际项目。
| 模型 | AP50:95 | 相对最高 |
|---|---|---|
| RF-DETR-2XL | 63.2 | |
| RF-DETR-XL | 62.9 | |
| RF-DETR-L | 62.2 | |
| LW-DETR-L | 61.5 | |
| YOLO26-L | 59.3 | |
| YOLO11-L | 56.5 |
RF100-VL 是 100 个真实行业数据集的平均分，比 COCO 更能反映迁移能力。RF-DETR-L 在 COCO 上只领先 YOLO26-L 2.4 分，换成 RF100-VL 后差距拉到 2.9 分，说明 DINOv2 主干在小样本上更吃香。
读这张表要避开的三个坑
只有 6 个模型能横比
其余模型都缺一到两个榜的数据。看到「某模型在 A 榜第一」时，先确认它在 B 榜有没有参赛——很多差距来自缺席，不来自实力。
分数不同源，别换算
AA 是九项合成指数，SuperCLUE 是五维加权，司南是六维平均。同一模型在三家能差出 30 分（DeepSeek 就是），这不是误差，是三个不同的考卷。
第一名不一定能用
AA 榜首 Gemini 4 Carbon 只开放给 Fairwind 计划内的安全团队，API 里没有模型代号。榜单第一和能买到的东西，是两件事。