当前最强大的 AI 大模型（截至 2026-09-09）
结论：没有唯一答案，闭源头部是 OpenAI GPT-6 Astra 与 Anthropic Claude Fable 5.1 双雄。 两者一周内前后脚发布（Fable 5.1 于 09-01，Astra 于 09-03），基础定价同为 $10/$50 每百万 token。分歧点很清晰：
- Astra 赢在编程/终端类基准（自带 Codex 脚手架）
- Fable 5.1 赢在独立综合智能体 Elo，而且赢得相当彻底
最关键的一个数据点（由完整性批判补出，草稿原本漏了）：在 GDPval-AA v2 这个目前最有分量的独立智能体 Elo 榜上，GPT-6 Astra (max) = 1580，总排名第 21，落后于 Fable 5.1 Max (1764)、Opus 5 Max (1735)、Opus 5 Xhigh (1708)、Muse Spark 1.3 (1703)、GLM-5.3 (1676)、Qwen3.8 Max (1630)、GPT-5.6 Sol (1624)、Kimi K3 (1584)。如果只能选一个"最强"，按独立第三方综合口径应该是 Claude Fable 5.1。
分维度冠军
| 维度 | 冠军 | 依据 |
|---|---|---|
| 综合（独立 Elo） | Claude Fable 5.1 | GDPval-AA 实时 1764 第 1；arena.ai Agent 榜 14.51% 第 1；BenchAlign 84.36 第 1 |
| 终端/编程 | GPT-6 Astra | tbench.ai Terminal-Bench 4.0 58.2%±2.8 第 1（Fable 5.1 紧随 57.9%±3.8）；WebDev Arena 1796 + Code Arena 双第 1 |
| 长时程自主 | 争议 | Vending-Bench 2：Astra $15,514.70 第 1（挤掉 Opus 5 的 $11,181.87）；但 METR 时间跨度榜最高 17.41h 属 Claude Mythos Preview (early)，数据截止 2026-05-08，未测 Astra/Fable 5.1 |
| 数学/科学 | ⚠️ 无独立数据 | 仅厂商自报：Astra FrontierMath T4 98%、ARC-AGI-3 99.9%；Gemini 3.1 Pro GPQA Diamond 94.3%、ARC-AGI-2 77.1%；微软 MAI-Thinking-1 AIME 2026 94.5% |
| 人类偏好 | 按域分裂 | Fable 5.1 拿 Agent + BenchAlign；Astra 拿 WebDev + Code |
| 长上下文 | Astra / Kimi K3 | 窗口最大：Astra 1,050,000、Kimi K3 1,048,576；有质量验证的是 Gemini 3.1 Pro（MRCR v2 84.9@128K / 26.3@1M）。Fable 5.1 与 Opus 5 的 1M 已由官方平台文档独立确认 |
| 开源权重 | GLM-5.3（Z.ai） | AA 智能指数 45 = 开源第 1（753B，自定义许可）；后接 Kimi K3 (44)、Qwen3.8-2.4T-A95B、GLM-5.3-Flash (42, MIT) |
| 性价比 | Claude Opus 5 | $5/$25，GDPval-AA 1735 总第 3；Grok 4.6 更便宜 $2/$6 |
| GUI 电脑操作 | Fable 5[1m] | OSWorld-Verified 86.0%——是 Fable 5，不是 5.1（常见张冠李戴） |
Top 模型对比
| 模型 | 厂商 | 发布 | 已验证代表成绩 |
|---|---|---|---|
| Claude Fable 5.1 | Anthropic | 09-01 | $10/$50，缓存读 $0.25/M（砍 75%）；GDPval-AA 1764 第 1、arena Agent 14.51% 第 1、BenchAlign 84.36 第 1、TB4 57.9% 第 2；1M 上下文（官方文档确认） |
| GPT-6 Astra | OpenAI | 09-03 | $10/$50（另有 $20/$75 高等级、flex $2/$25）；TB4 58.2% 第 1、WebDev/Code Arena 第 1、Vending-Bench 2 第 1；1.05M 上下文；但 GDPval-AA 仅 1580 第 21 |
| Claude Opus 5 | Anthropic | 07-24 | $5/$25；GDPval-AA 1735 总第 3（Xhigh 档 1708 第 4）；ALE 55.5% |
| Meta Muse Spark 1.3 | Meta | 09-02 | GDPval-AA 1703 第 5，1M 上下文（1.1 版在 Scale SWE-bench Pro 公开榜第 1，61.5%±3.1） |
| GLM-5.3 | Z.ai | 08-14（权重 08-28） | 开源第 1，AA 指数 45；GDPval-AA 1676 第 6；TB4 41.8%（非 OpenAI/Anthropic 系最高） |
| Qwen3.8 Max | 阿里 | 09-02 | GDPval-AA 1630，高于 Astra；2.4T/1M；开源版 SWE-bench Pro 67.7 |
| Grok 4.6 | xAI | 08-12 | $2/$6 最便宜；AA 指数 61（xAI 官网口径，跨快照有争议）。Grok 4.7 预计 ~09-12 发布，xAI 声称将全面超越 |
| Gemini 3.1 Pro | 02-19 | GPQA 94.3、SWE-Bench Verified 80.6、1M + MRCR 验证；短板：Pro 线自 2 月停更，只有 Flash 在迭代（3.8 Flash 在 TB4 仅第 10，19.1%） |
被推翻 / 存疑的流行说法
- ❌ "OpenAI 全面领先" — 独立榜按域分裂，Astra 在综合 Elo 上甚至排第 21
- ❌ GLM-5.3 "GDPval 1769 打败所有闭源" — 8 月过期快照，Elo 已重锚定，实时 1676 第 6
- ❌ OSWorld 86.0% 属 Fable 5.1 — 实为 Fable 5
- ❌ METR 17.41h 属 Mythos 5.1 — 实为 Mythos Preview (early)，数据比 5.1 发布早四个月
- ❌ DeepSeek V4 早期世系日期（base 2/17、Pro 6/22）— 官方 changelog 无记录，判定为编造；真实旗舰是 V4-Pro-0813（1.7T，GA 08-13）
- ⚠️ AA 式智能指数跨快照互相矛盾（一说 Fable 最高、一说 Astra 59.1 vs 52.0、xAI 又标 Grok 61）——不同快照排名不可混用
- ⚠️ tau2-bench "Qwen3.5 87.9% 开源第一" — 无法验证，第三方榜显示 GLM-5.2 以 99.1% 领先
如何选
- 终端/工程编程：GPT-6 Astra
- 通用智能体、长时程自主：Claude Fable 5.1（重度缓存场景成本优势最大，$0.25/M）
- 性价比生产：Claude Opus 5（$5/$25）或 Grok 4.6（$2/$6）
- 网安/生科受限领域：Claude Mythos 5.1（仅限美国组织，需通过验证计划）
- 1M 长文档：闭源 Astra 或 Gemini 3.1 Pro；开源自部署 Kimi K3
- 自托管：GLM-5.3（最强）/ GLM-5.3-Flash（MIT 低成本多模态）/ DeepSeek-V4-Pro-0813
- 数学科学：Astra 或 Gemini 3.1 Pro，但必须自己复测——这块没有独立数据
- 别急着定：Grok 4.7 约 09-12 发布