kimi-k3-max 杀入代码榜前十，盲测周榜国产卡位战

10 月 19 日，Arena（arena.ai）平台照例放出 2026 年第 42 周（统计周期 10 月 12 日至 10 月 18 日）AI 大模型盲测排名。这期榜单最大的看点不在榜首——海外旗舰依旧稳坐钓鱼台——而在国产模型的位置：月之暗面 kimi-k3-max 第一次在代码榜上站稳前十，小米 mimo-v2.6-pro 首次进榜就拿下前端开发榜第 19 名。三款新模型同周入榜，分别是 gemini-3.5-flash-medium、mimo-v2.6-pro 和 flux-2-flex。

先说清楚这份榜单的性质：它基于平台匿名盲测投票，用 ELO 分数计算排名（智能体榜例外，用的是百分比信号），反映的是用户主观偏好，不是绝对能力测试。各分榜相互独立，不宜跨榜比较，分差落在误差范围内都视为并列。带着这个前提，我们逐个分榜拆开看国产模型到底站在哪。

综合榜：头部分差 30 分，国产四强钉在 16 到 27 位

综合榜头部几乎没有新闻。Google 的 gemini-4-argon-high 以 1525 分蝉联榜首，Anthropic 的 claude-opus-5.5-high 以 1507 分紧随其后，claude-opus-4-6-high 和 claude-fable-5-high 同为 1504 分并列第三。前十名的门槛线画在 1494 分，第一名到第十名全部挤在 30 分的区间里，用平台的话说，都属于「误差范围内的接近竞争」。

国产阵营这边，梯队位置相对固定：kimi-k3-max 排第 16，ELO 1488 分，是国产模型里最高的；阿里 qwen3.8-max 第 22，1483 分；小米 mimo-v2.6-pro 第 26，1480 分；智谱 glm-5.3-max 第 27，1478 分。四款模型的排名全部与上周持平。表面看「16 到 27 名」离领奖台很远，但换个角度算账：kimi-k3-max 与榜首的分差只有 37 分，而榜单前十里任意两款模型之间的分差也不过 31 分。换句话说，国产头部与海外第一梯队之间隔着的不是断层，而是票仓差距——投票量、用户基数、曝光时间都会压低一个后来者的 ELO。

本周综合榜唯一的新面孔是 gemini-3.5-flash-medium，首周入榜直接落到第 30 位，1476 分，恰好压在国产第四名 glm-5.3-max 后面两个身位。中型模型的迭代速度，同样是国产厂商接下来要面对的压力。有开发者在本周榜单下面的讨论里半开玩笑地说，现在看综合榜第一页，Claude 系列不数不知道，一数占了七席，这一页快变成 Anthropic 的产品目录了。

代码榜：前十含金量几何，与榜首只差 22 分

代码榜是本期最值得琢磨的分榜。gemini-4-argon-high 以 1562 分继续领跑，claude-fable-5-high 以 1551 分位列第二，claude-opus-4-7-high、claude-opus-4-6-high、claude-opus-5.5-high 三款 Anthropic 模型同以 1550 分并列第三——前三名里除了 Google 就是 Anthropic，海外厂商的护城河看起来依然深。第八、第九名由 OpenAI 的 gpt-6.1-sol-max（1545 分）和 gpt-6-astra-max（1542 分）把守。

然后是第十名：kimi-k3-max，ELO 1540 分，误差范围 ±7。这是国产模型在本期代码榜的最高排名，也是它首次在这一分榜上稳定住前十位置。排在它身后的不是别人，正是只低 1 分的小米 mimo-v2.6-pro（第 11，1539 分）。对每天让模型写代码的开发者来说，1540 与 1550 的差距在盲测里几乎尝不出来，真正值得掂量的是含金量：kimi-k3-max 的官方定价栏还标着 N/A，等于是在没有价格优势可打的条件下，纯靠用户盲测投票顶进前十的。

再往深看一层，代码榜前 30 里国产模型已经坐了六个席位：deepseek-v4.1-flash-max 第 26（1528 分）、glm-5.3-flash 第 27（1525 分）、qwen3.7-max-preview 与 qwen3.8-max 并列第 28、29（均 1524 分）。其中 glm-5.3-flash 每百万 token 输出只要 0.2 美元，是整个代码榜上游价位最低的档位之一。能力没到天花板，但性价比路线已经跑通了。此前 Kimi K3 已上架 Amazon Bedrock，通道铺好之后，比拼的就是这种「每周都在榜上被人投出来」的持续存在感。

前端与智能体：mimo-v2.6-pro 首秀进前 20，国产集体上行

前端开发榜的头部由 claude-opus-5.5-max 以 1813 分把持，gpt-6-astra-max（1786 分）和 claude-sonnet-5.5-xhigh（1774 分）分列二、三位。国产模型在这个分榜的前 30 里密密麻麻：阿里 qwen3.8-max-0902 第 10（1674 分）、qwen3.8-max 第 11（1672 分），kimi-k3-max 第 14（1654 分），小米 mimo-v2.6-flash 第 16，qwen3.8-flash-next 第 17，腾讯 hy4-preview 第 18，glm-5.3-max 第 22。最大惊喜是小米 mimo-v2.6-pro，首周入榜直接拿下第 19 名、1629 分，把「首次入榜即进前 20」的剧本演了一遍。

智能体榜用的是另一套记分方式——百分比信号。Claude Opus 5.5（Max）以 15.53% 的净提升度蝉联榜首，工具幻觉率只有 0.37%，是头部里最低的；GPT 6 Astra（Max）上升一位到第二，净提升度 13.09%。国产梯队整体处于 15 到 23 名区间：DeepSeek V4.1 Flash（Max）第 15（净提升度 3.80%），Kimi K3（Max）第 16（3.78%），腾讯 Hy4 preview 第 17，小米 MiMo V2.6 Pro 第 18（3.52%，任务确认成功率 8.03%，国产里最高），智谱 GLM 5.2（Max）第 19，Qwen3.8 Max 第 22，GLM 5.3（Max）第 23。这几款国产模型还全部比上周上升了 2 位。智能体能力拼的是工具调用和长任务的稳定性，国产阵营还在头部十名开外，但整条队伍在同步上移。

生图与视频：字节阿里的另一半战场

如果把视野扩到多模态，国产模型的座次会好看很多。AI 生图榜前三名被 OpenAI 包揽，gpt-image-2.5-sunburst 以 1425 分蝉联第一；国产方面，字节跳动 seedream-5.0-pro 和阿里 qwen-image-3.0-pro 同为 1255 分，并列第 12、13 名，稳稳站在前 15。AI 视频榜更是国产的强势区：谷歌 gemini-omni-1.1-flash（1516 分）虽然守住第一，但前五名里国产占了两席——字节跳动 dreamina-seedance-2.0-720p 第 5（1479 分）、阿里 wan3.0 第 6（1476 分），前十里还有 dreamina-seedance-2.5-720p（第 7）、MiniMax 的 minimax-h3（第 8）和阿里的 happyhorse-1.0（第 10），四款国产量产模型同榜。

本周新入榜的 flux-2-flex 也落在生图榜，首周位列第 30，1157 分。生图、视频这两条赛道的故事和代码榜不同：海外厂商在分数上领先，但国产模型靠前五、前十的密集卡位，把「可用产品线」的印象做实了。Qwen 系列之外，阿里 Qwen4 的训练已经启动，多模态这几张牌往后只会越打越多。

众评榜单能信几分：盲测 ELO 的方法论天花板

看完数据，得泼一盆冷水。Arena 这类众评榜和 SWE-bench 那类基准测试是两种东西：基准测试考固定题目的正确率，盲测榜考的是真实用户在真实任务里的「手感偏好」。后者更贴近日常体验，但缺陷也明显——投票人群结构、任务分布、模型曝光量都会影响 ELO；分差在 ±5 到 ±9 的误差带里，第 10 名和第 13 名本质上没有名次之分。新模型想涨分，最直接的路径是让更多用户在更多场景用到它。

对普通用户的启示其实很朴素：榜单前十是一个「不会太差」的筛选器，而不是排名表。kimi-k3-max 站进代码榜前十，含义不是「它比 Claude 强」，而是「在盲测里它已经和头部模型难分彼此到需要一个误差带来区分」。选模型时，与其纠结第 10 还是第 11，不如按自己的任务类型和预算实测一轮。毕竟榜单统计的是别人的使用场景，你自己的提示词库才是最好的评测集。

写在最后：中上游不是终点，是入场券

把六个分榜拼成一张地图，第 42 周的格局大致是：代码榜头部摸到前十，智能体榜整队上行，综合榜稳定在 16 到 27 名。「站稳中上游」是准确描述，但不必过度解读为「全面逼近」——头部那 22 到 37 分的差距是真实存在的。

对国产厂商来说，周榜是一台高频率的曝光机器：每周更新一次，就多一次被开发者重新评估的机会。kimi-k3-max 本周证明了国产模型可以在最卷的分榜守住前排。下一周的榜单会照常更新，真正值得盯的不是谁进了一次前十，而是谁能把前十变成常态。