这周关注大模型的人，大概都被同一条消息刷屏过：Arena 榜单又更新了。但真到挑模型的时候，这张榜反而越看越迷糊——文本榜的王者、编程榜的大神、中国模型第一，压根不是同一个。月中还冒出一篇论文，给了榜单一记暴击：能力第一，可靠性只排第七。
先看新榜单。Arena 文本盲测 10 月 27 日快照（11 月初放出），累计约 900 万次投票、419 个模型：Gemini 4 Carbon 以 1528 分登顶，Argon 紧随其后，Claude Opus 5.5 排第三，前十名 Anthropic 一家占了六席。而 OpenAI 最好的成绩排在第 22——ChatGPT 用户最多，盲测榜却进不了前 20，这个错位本身就是最大的新闻。不过先别急着站队：前两名只差 8 分、误差条重叠，第一名还标着“初步结果”，目前没有证据说 Carbon 稳压 Argon。知乎
再看编程和 Agent 榜，画风突变。WebDev 榜 Claude Opus 5.5 以 1810 分第一，GPT-6 Astra 第二。11 月 6 日 Arena 官方还确认了腾讯混元 Hy4 是 Agent 榜中国模型第一、全球实验室第五。所以“谁是第一”这个问题没有答案，只有分场景的第一。知乎微博微博
然后是那记暴击。11 月 13 日公开的论文 SO-Arena（新加坡国立大学），拿 2919 道题、11 个领域给 21 个模型做体检，测的不是“答得对不对”，而是“答得稳不稳”：同一道题换个选项顺序，它还敢不敢给同一个答案；把正确答案抽掉，它会不会承认“这题没答案”。结果，能力榜第一的那位，可靠性总分只排第七；高能力模型照样可能顺序一换就翻脸，认不认得出“无正确答案”甚至跟参数量没关系。所以如果你要把模型塞进路由、审核、工具调用这类自动流程，可靠性那一列比分数那一列重要得多。知乎知乎
那这张榜到底怎么用？
先看误差条，再看名次。 行为数据显示总榜前六名的置信区间互相重叠，统计上分不出高下，而且排名越靠前样本越少，解读留三分余地。知乎
按场景那一列挑人。 有的模型“好评率”第一、“Bash 纠错”却排第 50——先确定你要它干什么，再去对应的维度里选人，比看总榜有用得多。知乎
匿名突袭的新模型看个热闹。 前阵子 Arena 上冒出代号 Kibitz 的匿名模型，圈里猜是 Kimi K3.1，月底有望官宣。“疑似”阶段别当决策依据。知乎知乎
Arena 说到底是一张人类偏好地图，不是模型成绩单。 盲测量的是“人更喜欢哪个回答”，不等于“谁能干你的活”。按你的场景圈出前三，拿自己的真实问题各跑一轮，再谈哪家值得买。
