2025年大模型竞争格局如何变化？一份综合了LMArene盲测与Artificial Analysis v4榜单的新排行提供了参考。该榜单不仅列出了前十名，更深入揭示了排名背后的方法论、数据局限性，以及部分模型在特定任务上的实际表现，为评估大模型提供了更客观的视角。
智能速览
GPT-5.2和Gemini 3 Pro位列榜单前两名。
榜单综合LMArene与Artificial Analysis数据，权重分别为30%和70%。
Claude 4.5 Opus总分虽低，但在生产场景表现优异。
部分热门模型因数据缺失未能计入总分或排名异常。
榜单未纳入Vision Arena数据，可能略微偏向国模表现。
精华内容
这份排名并非简单的数字罗列，其背后有着严谨的评分逻辑和值得关注的细节，这些细节更能反映模型的实际价值。
榜单构成
该综合榜单的数据来源主要有两个：LMArene的实际盲测结果，占比30%；以及Artificial Analysis v4榜单，占比70%。为避免单一指标的极端数值影响整体排名，所有子项得分均经过归一化处理，确保了评分的相对公平与稳定。
这种加权方式旨在平衡社区盲测的直观体验与专业机构的量化评估，力求全面反映大模型的真实能力。
头部格局
根据最终得分，GPT-5.2凭借综合优势位居榜首，Google的Gemini 3 Pro紧随其后。值得注意的是，Gemini系列的两个版本（Pro与Flash）均进入前三，显示出强大的竞争力。
前十名中，OpenAI的GPT系列占据三席，Anthropic的Claude 4.5 Opus和Sonnet也榜上有名，头部格局呈现多强争霸态势。
排名启示
榜单排名并非一切，部分模型的实际应用价值被总分低估。例如，Claude 4.5 Opus因多模态能力表现稍逊，总分低于Gemini 3 Flash。但在编程、智能体等核心生产场景，其实际表现极为出色，对于开发者而言，其参考价值可能高于部分排名更靠前的模型。
数据局限
榜单的客观性也受限于数据完整性。豆包Seed-1.8、Qwen3 Max等模型因部分数据缺失，未能计算有效总分或导致排名异常。此外，由于Vision Arena数据覆盖不全未被纳入，该榜单在一定程度上更侧重文本能力，可能使得国模在此榜单上的表现略高于其在真实多模态应用中的水平。
这份榜单通过加权与对比，为观察大模型发展提供了有价值的维度。它提醒我们，看待排名需结合具体应用场景。随着技术迭代，未来的评估标准又将如何演变？模型的全能性与专精性哪个更重要？
