基于 Arena（arena.ai）平台截至 2026 年 9 月初的匿名盲测数据，综合多份第三方评测报告，按综合榜 ELO 排名整理的七家核心国产模型全景对照。(citation:2)(citation:3)
ELO 分数在误差范围内可视为接近，进入全球前十五的国产旗舰。(citation:4)
2026 年 7 月 17 日发布，是目前验证维度最完整的中国模型。AA 智能指数 57–60 分（开源模型历史最高、全球第 4），Arena 四个实战榜单三项国产第一。(citation:4) 原生支持文本、图像、视频、音频四模态输入，是全球首个开源的万亿级多模态模型。(citation:11)
2026 年 8 月 14 日发布，首次入榜即闯入综合 Top 15，是本周变化最大的新模型。(citation:2) 基座模型与 GLM-5.2 完全相同，通过"数十倍的长程任务环境训练"实现能力跃升约 50%，路线独特。(citation:11) 在 CyberGym 安全漏洞发现评测中登顶第一，累计发现 2436 个漏洞。(citation:11)
中文能力突出，前端开发等细分领域具备全球竞争力。(citation:4)(citation:6)
SuperCLUE 中文综合第一，Arena 综合榜国产位置最高（第 8 名）。(citation:4) Qwen 开源家族全球下载量第一，衍生模型生态最厚，是产业渗透角度的隐形冠军。(citation:4) 不过需要指出，其 AA 智能指数尚未完成评测，官方成绩目前属于"厂商主张"。(citation:4)
排名处于中上游，各自在性价比、特定任务或生态位上具备竞争力。(citation:10)
小米生态的旗舰代表，综合能力处于中上游。在代码榜中位列第 27 名（ELO 1519），排名基本持平。(citation:2) 采用多领域专家 MOPD（Multi-Teacher On-Policy Distillation）技术路线，与 Kimi K3 思路相近，先把各领域 RL 做好再通过蒸馏合并。(citation:7) AA 智能指数 43 分，位于 T3 档位。(citation:10)
推理与性价比之王。独立横评中 V4 Pro 以 9.1 分排国产模型之首，全场仅次于 Claude Opus 4.8，推理单项 9.5 分超过 GPT-5.6。(citation:4) 2026 年 8 月 13 日正式版引入峰谷定价和三档推理强度（low/high/max），原生支持 Responses API，直接对标 Agent 生产部署。(citation:11)
Qwen3.8-Max 的前代旗舰，AA 智能指数验证成绩 56.6 分——这是该家族迄今唯一的第三方国际标准化参照。(citation:4) 代码榜第 17 名（ELO 1524），排名基本持平。(citation:2)
GLM-5.3 的低成本多模态版本，原生支持文本、图片、视频输入，适合视频理解、视觉 Coding 和高频 Agent。(citation:12) 采用 MLA、DSA 稀疏注意力、KDA 线性注意力等混合架构，约以旗舰 1/10 的成本逼近高段位体感。(citation:12)(citation:13)
通用排名靠后，但在特定垂直领域或高频调用场景中仍有定位。(citation:10)
主要面向 Agent 与多模态场景。AA 智能指数 45 分，在 AI 视频榜中 MiniMax-H3 曾首次入榜即排名第 4。(citation:3) 走"量大管饱"路线，适合特定 Agent 工作流。(citation:10)
未进入 Arena 头部榜单。AA 智能指数 31 分，更聚焦特定垂直场景。(citation:10) 在通用场景适用性有限，目前适合量级驱动的垂直领域调用。
将七家模型的核心参数与定价放在同一张表中快速对比。
| 模型 | 厂商 | 总参数 | 激活参数 | 上下文 | 多模态 | AA 指数 | 输出定价 | 开源 |
|---|---|---|---|---|---|---|---|---|
| Kimi K3 | 月之暗面 | 2.8T | ~500 亿 | 1M | 文本+图+视频+音频 | 57–60 | 100 元/MTok | MIT |
| GLM-5.3-Max | 智谱 AI | 753B | 未披露 | 1M | 仅文本 | 60 | 待公布 | 两周后 |
| Qwen3.8-Max | 阿里巴巴 | 2.4T | 950 亿 | 1M | 文本+图+视频 | 58 | $6/MTok | Qwen 生态 |
| DeepSeek V4-Pro | 深度求索 | ~1.6T | 490 亿 | 1M | 仅文本 | 53 | 13.5 元/MTok | 已开源 |
| MiMo-V2.5-Pro | 小米 | 未完整披露 | MoE | 1.05M | 未明确 | 43 | $0.87/MTok | — |
| Qwen3.7-Max | 阿里巴巴 | 未披露 | — | 1M | 未明确 | 56.6 | $4.43/MTok | — |
| GLM-5.3-Flash | 智谱 AI | ~320B | 180 亿 | 1M | 文本+图+视频 | — | ~旗舰 1/10 | 权重更明确 |
2026 年国产模型的训练范式正在分化，核心分歧在于如何融合多领域能力。(citation:7)
大模型已经花大量计算获得 reasoning 等能力，小模型通过 Off-policy → On-policy 蒸馏直接继承，无需重新跑完整 RL。(citation:7) 核心价值：模型压缩。
连续做 Reasoning RL → Agentic RL → General RL 时，后面训练可能让前面能力退化。GLM 保存之前训练阶段的 checkpoint 作为 Teacher，用 Cross-stage Distillation 重新巩固所有能力。(citation:7)
先分别在 Math、Coding、Agent 等领域做 RL 得到多个专家 Teacher，再通过 MOPD 蒸馏进一个统一 Student。(citation:7) 内部分歧在于 KL 粒度：Kimi 偏 Sampled Token 追求低成本，DeepSeek 用 Full-Vocabulary 追求更稳定梯度，MiMo 统一在 Reverse-KL 框架下可切换近似方式。
Arena 平台的 ELO 分差在 ±30 分以内通常被视为统计误差范围内的接近。(citation:2) 这意味着榜单上排名紧挨着的模型，实际用户体验差别可能微乎其微。在这个区间里，"谁更好"远不如"谁更适合你的任务"重要。