9 月头两周，五家厂商发了六个旗舰：Anthropic 的 Claude Fable 5.1（9 月 2 日）、阿里的 Qwen3.8-Max-0902（9 月 2 日）、Meta 的 Muse Spark 1.3 和谷歌的 Gemini 3.8 Flash（9 月 3 日）、OpenAI 的 GPT-6 Astra（当地时间 9 月 3 日），中间歇了不到一周，DeepSeek V4.1 Flash（9 月 10 日）压轴。
发布季一到，榜单就成了流量密码。我把三份最有存在感的榜单翻了一遍，看到一个每次发布季都重演、但每次都有人当真的场面：三份榜单，三个第一。LMArena 综合榜的头名是 7 月就发布的 Claude Fable 5；Artificial Analysis 智能指数的头名是 Claude Fable 5.1；各类聚合转述榜里"登顶"的是 GPT-6 Astra------而它登顶前三天，LMArena 综合榜的前 20 里根本没有它。
榜单是声望指标，不是选型指标。 开发者从榜上要拿走的不是"谁第一"，是三列数据------分项能力、成本、可得性。这篇文章拆给你看：第一名是怎么被三份榜单造出三个答案的，以及哪三列才是选型的真凭据。
版本基准：榜单快照为 LMArena（2026-09-13 与 09-16）与 Artificial Analysis Intelligence Index v4.2（2026-09-07），发布事件与定价核自各厂商官方公告。榜单实时变动，一切以当日官网为准。
两周六个旗舰，三个第一
先看这轮发布潮都落了什么牌，每一条都核过官方公告：
| 日期 | 模型 | 厂商 | 一句话定位 |
|---|---|---|---|
| 9-02 | Claude Fable 5.1 | Anthropic | 官方称"迄今最强的编码与知识工作模型"，缓存读取降价 75% |
| 9-02 | Qwen3.8-Max-0902 | 阿里 | 2.4T 参数 MoE 旗舰的月度迭代，Max 级首次官宣将开源 |
| 9-03 | Muse Spark 1.3 | Meta | AA 指数 53 分，与 7 月的 Claude Fable 5 并列第 4 |
| 9-03 | Gemini 3.8 Flash | 谷歌 | DeepSWE 工程榜 74% 领先组里最便宜的一个 |
| 9-03 | GPT-6 Astra | OpenAI | 官方称"全球最智能、对齐程度最高"，上下文 105 万 token |
| 9-10 | DeepSeek V4.1 Flash | DeepSeek | 552B 参数 MoE、全新 CED 架构，权重 MIT 开源，官方称性能全面超越 V4 Pro |
然后是榜单。同一批模型，三份榜单给出三个第一：
- LMArena 综合榜（9 月 13 日快照）：头名是 claude-fable-5，Elo 1506------一个 7 月 1 日发布的模型。前 10 名里 Anthropic 占 7 席。GPT-6 Astra 不在前 20。
- AA 智能指数 v4.2（9 月 7 日快照）：头名是 Claude Fable 5.1（57 分），GPT-6 Astra 第二（55 分）。
- 聚合转述榜：GPT-6 Astra 登顶的标题满天飞。这个说法也没错------9 月 16 日再看 LMArena 的机构分页，GPT-6 Astra 确实排到了第一，领先第二名 4.4 分。代价是那行小字：投票数才 10.4K------对比 GPT-5.5 的 81.3K------名次置信区间宽到 1-6 名。
三个第一都是真的，也都当不得选型依据。想知道为什么，得看每份榜的第一名是怎么产生的。
第一名是怎么产生的：一半靠投票，一半靠刷题
两份主流榜单，两套世界观。
LMArena 是众包盲测：402 个模型、28 家厂商、累计 1180 万次真人匿名投票，按 Elo 积分排座次。可信度来自"真人盲测"，毛病也来自"真人"------投票量决定置信度，而投票量需要时间。9 月 13 日快照里有个扎眼的细节：排第一的 claude-fable-5 攒了两个多月、30.1K 张票；9 月 2 日刚发的 fable-5.1-max 只有 5.8K 张票，压在 #5。同一个系列，新版压不过旧版------不是新版弱，是新版没票。Meta 那对 Muse Spark 是同款剧情：9 月 3 日刚发的 1.3 只有 4.7K 张票，压在 #8；可排 #4 的 1.2 也才 3.2K 张票，置信区间宽到 ±11------榜面前排有一半是"票还没攒够"的座次。
这就是我说的声望指标：众包榜的名次里，一半是模型水平，一半是曝光时长。发布第一天就冲去读榜，读到的是别人两个月的投票积累。
AA 走另一条路：固定基准评测，聚合十项基准（数学、科学、编程、多步推理等）打综合分。没有真人情绪，分数可以复现。但它有另一类坑------口径会升级。9 月 4 日 AA 把指数从 v4.1 升到 v4.2，调整了任务组成与权重，Claude Fable 5.1 的分数从发布报道时的 66 分变成 57 分。模型一行权重没动，账面掉了 9 分。AA 自己提示 v4.2 与旧版不可直接比较，但转发的标题不管这些，"暴跌 9 分"比"口径调整"有流量多了。
至于各类聚合榜、自建榜，多数是前两者的搬运再拌上自家权重。读它们之前，先找到"评分从哪来"那行小字。说个我自己这次的遭遇：回源核查时 arena.ai 官网直接被 Cloudflare 拦在门外，甩给我一页"Attention Required"；不死心换了个榜单聚合站，还是同一页拦截。最后是从转载其官方数据的快照站拿的数。你看，连榜单第一手数据的可得性，本身就是个工程问题。
同一批模型，名次对不上账
把三份榜的名次横过来对，才见真章。这张表我自己整理的，四个数据列四个快照日期，也是本文最想让你带走的东西：
| 模型（厂商） | LMArena 综合¹ | AA 指数² | AA WebDev³ | AA DeepSWE⁴ |
|---|---|---|---|---|
| Claude Fable 5.1（Anthropic） | #5 | #1（57 分） | #2（1762） | 未上榜 |
| GPT-6 Astra（OpenAI） | 前 20 外，9-16 冲至 #1 | #2（55 分） | #1（1797） | 74%（领先组） |
| Claude Opus 5（Anthropic） | #10 | #3（54 分） | #3（1688） | 74%（领先组） |
| Gemini 3.8 Flash（谷歌） | #9（初步数据） | #10（47 分） | 1567 | 74%（领先组） |
| Kimi K3（月之暗面） | #17 | #8（50 分） | #5（1674） | 69% |
| GLM-5.3（智谱） | #19 | #9（49 分） | 1609 | 69% |
| Qwen3.8-Max（阿里） | 前 20 外 | #10（47 分） | #6（1670） | 57% |
| DeepSeek V4.1 Flash（DeepSeek） | 前 20 外 | 未收录 | 未收录 | 未收录 |
¹ 2026-09-13 快照；Arena 按推理档位分条目（-max/-high 是同一模型的不同档），表中取该模型最高档位名次。² 2026-09-07，v4.2 口径。³ 编码分项 Elo，09-05 更新。⁴ 工程任务通过率，09-03 更新。
对着表说三个观察。
第一，国产模型的名次在两榜之间差出 8 到 10 位。 Kimi K3 在 AA 排 #8，到 LMArena 掉到 #17；GLM-5.3 从 #9 掉到 #19；Qwen3.8-Max 在 AA 勉强挂住 #10，在 LMArena 干脆不在前 20。哪家"更准"没有答案------两家的题和投票人群完全不同------但"某某国产模型全球前十"这种标题，先问一句哪个榜、哪个快照，再决定信几成。顺带一个反差：LMArena 前 20 里仅有的两个非闭源模型，kimi-k3-max（#17）和 glm-5.3-max（#19），全是国产。闭源旗舰的声望场里，开源模型能挤进前 20，这件事本身比名次更有信息量。
第二，总分差 2 分，分项可能换了天下。 AA 综合分 Fable 5.1 只比 GPT-6 Astra 高 2 分，看着咬得死。但拆开看：编码分项 WebDev 上 Astra 反超 35 分排第一；工程任务 DeepSWE 上 Astra 有 74% 的成绩，Fable 5.1 干脆未上榜。做编码工具链的团队如果只读总分，会把这两个模型的排位读反。
第三，最新的模型永远在榜外。 DeepSeek V4.1 Flash 9 月 10 日发布，AA 快照（9-07）和 LMArena 快照（9-13）都没来得及收它，四个数据列全是"未收录"。第三方自建榜倒是收得飞快，已经把它排到国产第 2 了------收得快和口径硬，你只能挑一头。追新模型看榜，等于看后视镜开车。
别读总分，读三列
那榜单对开发者就没用了吗？不是。把总分那一列关掉，留这三列，每一列都能直接进选型文档。
列一：分项能力。 你做的应用吃哪个分项，就看哪个分项。做编码助手和代码 Agent 的，WebDev 和 DeepSWE 比 57 对 55 的总分诚实得多：DeepSWE 的领先组是 Astra、Opus 5、Gemini 3.8 Flash 三个并列 74%，国产旗舰 GLM-5.3 和 Kimi K3 都在 69%------差 5 个点，不是差一个时代。做通用对话、知识工作的，再看综合分和各自的长文本、多模态能力。
列二：成本。 AA 有一列"综合任务成本"，跑完基准上的一道题要花多少美元，比每百万 token 报价更贴近真实体感（口径：AA 综合任务成本，非 token 单价）：
| 模型 | AA 综合任务成本 | DeepSWE 工程任务成本 |
|---|---|---|
| GPT-5.6 Luna | $0.10 | $0.61 |
| GLM-5.3 Flash | $0.18 | $0.24 |
| GLM-5.3 | $1.26 | $3.99 |
| Kimi K3 | $1.58 | $4.65 |
| GPT-6 Astra | $2.57 | $6.52 |
| Gemini 3.8 Flash | --- | $2.36 |
| Claude Fable 5.1 | $6.12 | --- |
| Claude Opus 5 | --- | $11.84 |
Fable 5.1 一道题 6.12，GLM−5.3Flash一道题0.18，34 倍。能力差多少？AA 综合分 57 对 46。再往深看一层：GPT-6 Astra 的 API 定价是输入 10/输出50（每百万 token），上一代 GPT-5.6 Sol 输入还是 $5------旗舰第一次把涨价涨成了翻倍，而它在 AA 总分上比第一名还低 2 分。旗舰的溢价买的不是那 2 分，是上限场景的保险；日常任务让便宜模型扛，是这个表最直接的读法。
列三：可得性。 榜单不回答"你能不能用"，这一列得自己盘：DeepSeek V4.1 Flash 权重 MIT 开放下载，GLM-5.3 是 753B 参数 + MIT 协议，Qwen3.8-Max 官宣将开源（Max 级第一次）；而 Astra、Fable 5.1、Gemini 3.8 Flash 全部闭源 API，Astra 还是分阶段开放（先受信组织，数日内才轮到 Plus/Pro 与 API、AWS）。企业落地的老约束在这儿一条没变：要私有化的团队，榜单前十的门只开了一半------能进前十还开源的，就是国产那几个。
谁该跟榜走，谁该把总榜关掉
最后给工程落点，分两拨人。
做尝鲜、做研究、做竞品分析的，跟榜走没毛病。 总榜名次就是声望排序，用它度量"这家厂商现在站在哪"，比任何新闻稿都准。LMArena 前 10 被 Anthropic 拿走 7 席，这个事实对判断 Claude 系在西方用户群体里的口碑，比 50 篇软文都有用。只是记住你在读的是声望，不是能力差距。
做生产选型的，把总榜关掉，用上面三列。 给个我自己在用的例子：「手搓企业智能体」系列七集，IT 服务台 Agent 从对话、工具、记忆到工作流全部跑在 DeepSeek 上，中间一次都没换过模型。为什么？服务台场景一轮对话十几次工具调用，成本列的权重远大于能力列------一个 69% 和 74% 的 DeepSWE 差距，用户在这边感知不到，但账单感知得到；再加上它是 MIT 开源，哪天要私有化部署，门是开着的。同样的逻辑反过来：如果你在做代码 Agent 或高价值复杂任务，为 Astra、Fable 5.1 这个档位付溢价，是对"失控的那一次调用"买保险------这两件事不矛盾，矛盾的是用一个总榜名次同时决策这两件事。
9 月这轮发布季的模型，哪个值得单独跑一次 Java 接入实测？我有自己的答案了，留给「望远镜·首测」。榜单下个月还会换第一，三列数据的读法不会过时。