Blog›Guides

LLM基准快照：2026年8月23日

LLM排行榜首周照片：LMArena、LiveBench、BenchLM和Aider，冻结在一页可引用的页面上。Anthropic横扫三个领奖台；GPT-5保持编程桂冠。

这是Wikiprompt系列的第一篇：每周我们冻结主要LLM排行榜的完整快照，并将其发布为永久、可引用的页面。本次快照的完整表格位于/benchmarks/snapshot/2026-08-23，未来的每张快照都将在/benchmarks/history索引。

为什么需要带日期的快照？

基准数字悄然变化：一个模型攀升，一个分数被重新计算，上个月的领先者默默变成第四名。通过为每周快照保留一个URL，记录保持公开。你可以引用“截至2026年8月23日的排名”，该链接将始终显示确切的内容。

本次快照涵盖五个独立的开放来源，每个都有其自己的方法论：

LMArena（文本竞技场）：claude-opus-5-high在社区Elo中领先，claude-opus-5-max和claude-opus-4-6-high紧随其后。Anthropic本周占据整个文本领奖台。

LMArena（网页开发）：claude-opus-5-max位居榜首，其次是kimi-k3-max和qwen3.8-max，来自Moonshot和阿里巴巴的两个开放权重挑战者紧逼前沿实验室。

LiveBench：claude-fable-5-max-effort以平均83.4分夺得第一，领先于gpt-5.6-sol-max（81.7）和gpt-5.5-xhigh（80.8）。

BenchLM综合：全Anthropic领奖台：Claude Mythos 5（83.0）、Claude Opus 5（82.7）和Claude Fable 5（82.7），相差仅四分之一分。

Aider polyglot（编码）：gpt-5（高）以88.0%的通过率仍主导实际编码，领先于gpt-5（中）和o3-pro（高）。

有趣的解读在于分歧：社区投票（LMArena）、学术风格任务套件（LiveBench）、综合分数（BenchLM）和动手编码（Aider）并未加冕同一模型。这种分歧正是我们追踪多个来源而非单一来源的原因。

实时排行榜、过滤器和成本与性能对比图：/benchmarks

新快照每周日发布。当排名变化时，你将能够精确指向变化发生的时间。