Arena大模型周榜不是一张"答卷打分"的排行榜，而是把真人用户的匿名投票按周拟合出来的结果。10月12日，Arena平台发布覆盖10月5日至10月11日的2026年第41周大模型排行榜，Anthropic全新Claude Opus 5.5 Max首次入榜智能体榜即夺得第一，国产模型kimi-k3-max稳居综合榜前20。把时间拨回7月，这个条目背后的Kimi K3发布数小时就登顶Arena的代码工具评测榜，央视财经称这是中国大模型首次拿下该榜单榜首。周榜的生成机制到底是什么，kimi-k3-max的代码突围又是怎么发生的，这篇一起讲清楚。微博微博
周榜是怎么算出来的：盲测、置信区间与入榜门槛
Arena平台源自LMSYS Chatbot Arena的盲测体系，按周公布对战排名。规则并不复杂：同一个问题交给两个匿名模型同时作答，用户投票选出更好的一个；平台再通过大量投票数据拟合每个模型的实力值，最后换算到Elo这样的分数刻度上。微博微博
分数之外还要看"厚度"，也就是置信区间。系统会对投票数据做bootstrap重采样，投票数越多、区间越窄、分数越可靠，千问登榜那期披露的统计确定性区间大约是正负19分。同分时的名次也由此决定：第32周qwen3.8-max与第5名的claude-opus-4-6同分，仅因置信区间差异排名靠后。IT之家在转述周榜时给出的注释把边界说得很全：不同分榜相互独立、不宜跨榜比较，分差在误差范围内均视为并列，新模型也要积累一定投票量后才会正式入榜。微博微博微博
细分榜是理解"突围"二字的另一把钥匙。周榜体系里有综合榜、代码榜、长文本榜：覆盖6月29日至7月5日那期，claude-fable-5一人包揽，综合分1509的同时还拿下代码榜与长文本榜的双料冠军。字节跳动seedream-5.0-pro曾单周上升5位进入AI生图榜Top 6，细分赛道各有各的头部。智能体榜甚至不用Elo而用百分比信号，反映的是用户主观偏好而非绝对能力测试，因此看榜前必须先确认自己关心的分榜。微博微博微博
突围轨迹：从数小时登顶到周榜常驻
K3登场之前，代码榜基本是Claude家族的内圈竞争：第28周（7月6日至12日），claude-opus-4-7-thinking从第二名升至第一、拿到1553分，上周榜首claude-fable-5跌至第五。7月16日晚，月之暗面发布Kimi K3，参数规模达2.8万亿、支持100万Token超长上下文。发布数小时后，Arena.ai的Frontend Code前端代码分榜出现了一个此前少见的画面：1679分登顶，第二、第三名分别是Claude Fable 5（1631分）和GPT-5.6 Sol（1618分）。微博微博微博
但当时就有冷静的提醒：这是开发者盲测形成的细分榜单，成绩还标注为初步分数，不宜直接读成综合能力全球第一。另有讨论引用Arena官方账号的说法，称K3在7个前端子领域中的6个位居第一，该口径未经原始榜单直接核验。微博微博
进入周榜体系后，kimi-k3-max走出的是另一条更耐看的曲线。第31周它以1485分新入榜综合榜第13名，与榜首的分差处于统计误差关注的区间之内。第33周排名上升2位至第12位（1489分），同时在前端开发榜保持第2位。微博微博
代码榜头名的轮换也不只发生在中外之间：9月初，阿里qwen3.8-max-0902登上Arena AI代码类排行榜榜首，Claude紧随其后。 代码榜头名开始在中国模型之间轮换——这是周榜机制下"突围"的第二层含义：不止冲顶一次，还要在盲测流量稳定后守住位次。kimi-k3-max守到了第41周的综合榜前20。发布侧的热度同样真实：上线48小时用户请求量大幅超出预估、逼近现有集群承载极限，官方于7月19日晚暂停C端新用户订阅。微博知乎
技术逻辑：为什么代码先跑出来
Kimi官网对K3的介绍是：一个2.8万亿参数模型，基于KDA混合线性注意力机制（Kimi Delta Attention）和注意力残差（Attention Residuals）。对模型结构的进一步拆解显示，它是一套原生多模态、自回归MoE模型，KDA与MLA注意力层按固定比例交替排列。知乎知乎
把配置和任务放在一起看，对应关系就出来了：2.8万亿总参数、104B激活、1M上下文且权重真正开源——100万token的窗口意味着一整个前端仓库连同一张设计稿截图都能装进同一个上下文，MoE稀疏激活让旗舰能力在可接受的推理成本下跑起来，原生多模态则直接服务于"照着界面写代码"这类前端任务。产品层面，月之暗面给K3定下的靶心也只剩两个：智能体编程和知识工作，写代码不是副业而是主业。至于开源权重让更多开发者本地部署、进而在盲测里贡献真实投票这一环，由于Arena未公布各榜投票量细节，只能作为合理推断保留。知乎知乎
这张榜能说明什么、不能说明什么
先说能说明的：周榜反映的是海量真实用户在实际提问里的主观偏好，对"哪类任务该用谁"有很强的参考性。Arena自己也正在把这门生意机构化——10月9日，评测榜单Arena宣布完成B轮2亿美元融资、估值达31亿美元，同期推出衡量模型与人类意图契合度的"Arena对齐指数"。知乎
再说不能说明的：单一分榜登顶不等于综合能力第一，误差内的分差应视为并列，而且排名每周都会波动——GLM-5.3-Max从第35周的第17名跌到第41周的第27名，各期完整榜单细节也未完全公开。千问登顶代码榜时海外社区出现的"刷榜"争议也提醒读者：连盲测榜都免不了方法论争论。微博微博
按周更节奏，覆盖10月12日至18日的新一期周榜将在本周一（10月19日）前后发布。看这期榜的正确姿势不是找"世界第一"，而是对三件事：自己任务对应的分榜是什么、名次差距有没有超出置信区间、kimi-k3-max们守位的变化是不是持续了两周以上。把周榜当趋势仪表盘，而不是当判决书——这才是它正确的打开方式。
