# 三个第一，都不是答案：2026 年 9 月模型榜该怎么读
9 月头两周，五家厂商发了六个旗舰。发布季一到，榜单就成了流量密码。把三份最有存在感的榜单翻一遍，会看到一个每次发布季都重演、但每次都有人当真的场面：**三份榜单，三个第一**。
## 一、两周六个旗舰，三份榜给出三个头名
先看这轮发布潮落了什么牌（以下均核自各厂商官方公告）：
- **9 月 2 日**：Anthropic 的 Claude Fable 5.1，官方称"迄今最强的编码与知识工作模型"，缓存读取降价 75%
- **9 月 2 日**：阿里的 Qwen3.8-Max-0902，2.4T 参数 MoE 旗舰的月度迭代，Max 级首次官宣将开源
- **9 月 3 日**：Meta 的 Muse Spark 1.3，AA 指数 53 分，与 7 月的 Claude Fable 5 并列第 4
- **9 月 3 日**：谷歌的 Gemini 3.8 Flash，DeepSWE 工程榜 74%，是领先组里最便宜的一个
- **9 月 3 日**：OpenAI 的 GPT-6 Astra，官方称"全球最智能、对齐程度最高"，上下文 105 万 token
- **9 月 10 日**：DeepSeek V4.1 Flash，552B 参数 MoE、全新 CED 架构，权重 MIT 开源
然后是榜单，同一批模型给出三个第一：
- **LMArena 综合榜**（9 月 13 日快照）：头名是 claude-fable-5，Elo 1506——一个 7 月 1 日发布的模型。前 10 名里 Anthropic 占 7 席，GPT-6 Astra 不在前 20。
- **AA 智能指数 v4.2**（9 月 7 日快照）：头名是 Claude Fable 5.1（57 分），GPT-6 Astra 第二（55 分）。
- **聚合转述榜**：GPT-6 Astra 登顶的标题满天飞。这个说法也没错——9 月 16 日再看 LMArena 的机构分页，它确实排到了第一，领先第二名 4.4 分。代价是那行小字：投票数才 10.4K，对比 GPT-5.5 的 81.3K，名次置信区间宽到 1 至 6 名。
三个第一都是真的，也都当不得选型依据。
## 二、第一名是怎么产生的：一半靠投票，一半靠刷题
LMArena 是众包盲测：402 个模型、28 家厂商、累计 1180 万次真人匿名投票，按 Elo 积分排座次。可信度来自"真人盲测"，毛病也来自"真人"——**投票量决定置信度，而投票量需要时间**。
9 月 13 日快照里有个扎眼的细节：排第一的 claude-fable-5 攒了两个多月、30.1K 张票；9 月 2 日刚发的 fable-5.1-max 只有 5.8K 张票，压在 #5。同一个系列，新版压不过旧版——不是新版弱，是新版没票。Meta 那对 Muse Spark 是同款剧情：刚发的 1.3 只有 4.7K 张票，压在 #8；可排 #4 的 1.2 也才 3.2K 张票，置信区间宽到 ±11。
众包榜的名次里，一半是模型水平，一半是曝光时长。
AA 走另一条路：固定基准评测，聚合十项基准（数学、科学、编程、多步推理等）打综合分，分数可以复现。但它有另一类坑——**口径会升级**。9 月 4 日 AA 把指数从 v4.1 升到 v4.2，调整了任务组成与权重，Claude Fable 5.1 的分数从发布报道时的 66 分变成 57 分。模型一行权重没动，账面掉了 9 分。AA 自己提示 v4.2 与旧版不可直接比较，但转发的标题不管这些，"暴跌 9 分"比"口径调整"有流量多了。
## 三、同一批模型，名次对不上账
把三份榜的名次横过来对，三个观察很清楚。
**第一，国产模型的名次在两榜之间差出 8 到 10 位。** Kimi K3 在 AA 排 #8，到 LMArena 掉到 #17；GLM-5.3 从 #9 掉到 #19；Qwen3.8-Max 在 AA 勉强挂住 #10，在 LMArena 干脆不在前 20。哪家"更准"没有答案——两家的题和投票人群完全不同——但"某某国产模型全球前十"这种标题，先问一句哪个榜、哪个快照，再决定信几成。顺带一个反差：LMArena 前 20 里仅有的两个非闭源模型，kimi-k3-max（#17）和 glm-5.3-max（#19），全是国产。
**第二，总分差 2 分，分项可能换了天下。** AA 综合分 Fable 5.1 只比 GPT-6 Astra 高 2 分，看着咬得死。但拆开看：编码分项 WebDev 上 Astra 反超 35 分排第一；工程任务 DeepSWE 上 Astra 有 74% 的成绩，Fable 5.1 干脆未上榜。做编码工具链的团队如果只读总分，会把这两个模型的排位读反。
**第三，最新的模型永远在榜外。** DeepSeek V4.1 Flash 9 月 10 日发布，AA 快照（9 月 7 日）和 LMArena 快照（9 月 13 日）都没来得及收它，四个数据列全是"未收录"。追新模型看榜，等于看后视镜开车。
## 四、别读总分，读三列
把总分那一列关掉，留下面这三列，每一列都能直接进选型文档。
**列一：分项能力。** 你做的应用吃哪个分项，就看哪个分项。做编码助手的，WebDev 和 DeepSWE 比 57 对 55 的总分诚实得多：DeepSWE 的领先组是 Astra、Opus 5、Gemini 3.8 Flash 三个并列 74%，国产旗舰 GLM-5.3 和 Kimi K3 都在 69%——差 5 个点，不是差一个时代。
**列二：成本。** AA 有一列"综合任务成本"，跑完基准上的一道题要花多少美元，比每百万 token 报价更贴近真实体感（口径：AA 综合任务成本，非 token 单价）：
| 模型 | AA 综合任务成本 | DeepSWE 工程任务成本 |
| --- | --- | --- |
| GPT-5.6 Luna | $0.10 | $0.61 |
| GLM-5.3 Flash | $0.18 | $0.24 |
| GLM-5.3 | $1.26 | $3.99 |
| Kimi K3 | $1.58 | $4.65 |
| GPT-6 Astra | $2.57 | $6.52 |
| Gemini 3.8 Flash | — | $2.36 |
| Claude Fable 5.1 | $6.12 | — |
| Claude Opus 5 | — | $11.84 |
Fable 5.1 一道题 6.12 美元，GLM-5.3 Flash 一道题 0.18 美元，**34 倍**。能力差多少？AA 综合分 57 对 46。再看定价：GPT-6 Astra 的 API 定价是输入 10 美元、输出 50 美元（每百万 token），上一代 GPT-5.6 Sol 输入还是 5 美元——旗舰第一次把涨价涨成了翻倍，而它在 AA 总分上比第一名还低 2 分。旗舰的溢价买的不是那 2 分，是上限场景的保险；日常任务让便宜模型扛，是这个表最直接的读法。
**列三：可得性。** 榜单不回答"你能不能用"，这一列得自己盘：DeepSeek V4.1 Flash 权重 MIT 开放下载，GLM-5.3 是 753B 参数加 MIT 协议，Qwen3.8-Max 官宣将开源；而 Astra、Fable 5.1、Gemini 3.8 Flash 全部闭源 API，Astra 还是分阶段开放。要私有化的团队，榜单前十的门只开了一半。
## 五、谁该跟榜走，谁该把总榜关掉
分两拨人。
**做尝鲜、做研究、做竞品分析的，跟榜走没毛病。** 总榜名次就是声望排序，用它度量"这家厂商现在站在哪"，比任何新闻稿都准。LMArena 前 10 被 Anthropic 拿走 7 席，这个事实对判断 Claude 系的用户口碑，比 50 篇软文都有用。只是要记住：你读的是声望，不是能力差距。
**做生产选型的，把总榜关掉，用上面三列。** 原文作者举的例子很实在：「手搓企业智能体」系列里，IT 服务台 Agent 从对话、工具、记忆到工作流全部跑在 DeepSeek 上，中间一次都没换过模型。理由是服务台场景一轮对话十几次工具调用，**成本列的权重远大于能力列**——69% 和 74% 的 DeepSWE 差距，用户在这边感知不到，但账单感知得到；再加上 MIT 开源，哪天要私有化部署，门是开着的。
反过来，如果做的是代码 Agent 或高价值复杂任务，为 Astra、Fable 5.1 这个档位付溢价，是对"失控的那一次调用"买保险。
这两件事不矛盾。矛盾的是用一个总榜名次，同时决策这两件事。
榜单下个月还会换第一，三列数据的读法不会过时。
**参考链接**
- 9 月大模型榜单：第一名又换了，但开发者该看的不是它：https://juejin.cn/post/7686352376153047082
