真实人类盲评对战，Bradley-Terry Elo 排名，最接近用户感知
真实用户盲评两两对战，赢的是“人民的选择”。分数是 Elo 排名——相对名次有意义，绝对数字没有。
测什么：真实人类盲评对战，Bradley-Terry Elo 排名，最接近用户感知
不测什么：不能证明中文长文业务任务的整体质量；需用自己的文体、长度和事实要求复核。
语言与文体：当前账本未完整披露语言和文体分布
指标与单位：见逐条记录，未披露项不能比较 / 以原始来源为准
可比性：当前没有完整、同快照的可比协议与可靠归一化边界，仅展示原始证据。
说明日期：2026-08-28；具体分数的协议、来源等级和核对日期以每条发布记录为准。
进入写作需求选型匿名两两对战→投票→BT 拟合+bootstrap 置信区间；风格控制上线减少长度偏倚
共收录 11 场模型发布（收录 12 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
Google DeepMind / Gemini·国际
Google 将 Gemini 3.1 Flash-Lite 定位为 Gemini 3 系列中最快、最具成本效率的型号，2026-03-03 预览、2026-05-07/08 转正（GA）。已收录 3 项评测（均出自预览公告）覆盖对话竞技场、科学与多模态推理：亮点 Arena.ai 排行 1432 Elo、GPQA 86.9%。
Google DeepMind / Gemini·国际
Gemini 3 Flash 以「为速度打造的前沿智能」为定位发布，上线即为 Gemini 应用与搜索 AI Mode 默认模型（发布时为 preview）。已收录 25 项评测横跨推理、代码、多模态与 Agent：亮点 AIME 2025（带代码执行）99.7%、SWE-bench Verified 78%。
Mistral AI·国际
本发布含 4 个变体，各变体规格见模型详情。
Mistral 将 Large 3 定位为其迄今最强模型，也是 Mixtral 系列之后首个稀疏 MoE（41B 激活/675B 总参，Apache 2.0 开源，旗舰多模态多语言定位）。已收录评测为榜单类定位：LMArena 开源非推理类第 2、开源总榜第 6。
Google DeepMind / Gemini·国际
本发布含 2 个变体，各变体规格见模型详情。
Gemini 3 发布以「智能新纪元」为题呈现，Gemini 3 Pro 为旗舰型号（发布时 preview）。已收录评测横跨推理、代码、多模态与 Agent：亮点 LMArena 1501 Elo、AIME 2025（带代码执行）100%。
xAI / Grok·国际
xAI 将 Grok 4.1 定位为一次可用性导向的风格升级：复用驱动 Grok 4 的大规模强化学习基础设施来优化风格、人格、有用性与对齐，使其更敏锐捕捉细微意图、更具对话魅力且人格连贯，同时完全保留前代的锋利智能与可靠性。已收录评测覆盖竞技场 Elo、情商、创意写作与事实性等领域，Text Arena Thinking 配置 1483 Elo（总榜第一）、EQ-Bench3 1586 Elo（归一化）。
Alibaba / Qwen·国内
本发布含 2 个变体，各变体规格见模型详情。
Qwen3-Max 发布以「大就是好（Just Scale it）」为题，Instruct 为超 1T 总参 MoE 旗舰（36T 预训练 tokens、全局 batch 负载均衡损失，ChunkFlow 支持 1M 长上下文训练）。已收录 9 项评测：亮点 SWE-bench Verified 69.6、LMArena 文本榜 1430。
Meta / Llama·国际
本发布含 3 个变体，各变体规格见模型详情。
发布文称 Maverick 为 Llama 4 herd 中的主力多模态模型（17B 激活、128 专家、400B 总参，MoE 架构）。评测覆盖多模态理解、知识、代码与克丘亚语翻译，亮点为 DocVQA 94.4 与 ChartQA 90.0（LMArena Elo 1417 归属于实验性聊天版本）。
Google DeepMind / Gemini·国际
谷歌将 Gemini 2.5 Pro 实验版定位为其最智能的 AI 模型与 2.5 系列首个思维（thinking）模型，原生多模态并配备 1M token 上下文窗口（200 万即将推出）。已收录评测覆盖推理、代码、长上下文与多模态理解等领域，HLE 无工具 18.8%、SWE-bench Verified 63.8%。
xAI / Grok·国际
本发布含 2 个变体，各变体规格见模型详情。
Grok 3 被 xAI 定位为开启『推理代理时代』的 Beta 模型，主打 (Think) 深度推理配置并曾以代号 chocolate 登顶 LMArena。评测覆盖推理、编码、多模态理解与长上下文 RAG：AIME'25 93.3%、GPQA 84.6%、LCB 79.4%、Chatbot Arena 1402 Elo、LOFT（128k）83.3%。
Moonshot AI / Kimi·国内
月之暗面面向深度推理的长思维链强化学习大模型，在数学奥林匹克、复杂编程与视觉长程推理任务上展现出突破性表现。
Google DeepMind / Gemini·国际
Google DeepMind 原生多模态大模型开篇之作，其中 Gemini 1.0 Ultra 成为全球首个在 MMLU 基准上超越人类专家的前沿大模型。
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。