每个月看一遍大模型排行榜，已经成了不少人的固定动作。这个月的读数有点意思：独立评测机构 Artificial Analysis 的智能指数榜单上，Anthropic 独占前五的「包场」局面结束了。Meta 的 Muse Wonder Full 直接空降第四，月之暗面的 Kimi K3.1 Pro 拿下第五，成为首个闯进这份榜单前五的中国模型。榜首没变，还是 Claude Opus 5.5，但对普通用户和开发者来说，榜单下半区的变化可能比第一名更值得琢磨。这篇就把 10 月末的读数拆开讲讲，顺便提醒一句：看这份榜，括号里的配置标签比模型名字本身还重要。
榜单速览：前五的口子是被谁撕开的
先看结论。10 月 26 日的智能指数读数里，Claude Opus 5.5（max 配置、带 fallback）以 58 分继续稳坐第一，Claude Sonnet 5.5 和 Opus 5.5 的 xhigh 配置都以 56 分排在第二、第三。变化从第四名开始：Meta 的 Muse Wonder Full（max）以 56 分进场，Kimi K3.1 Pro 以 55 分紧随其后。要知道，就在 9 月末的读数里，前五还清一色是 Anthropic 的模型，一个月之内被两家厂商各撕走一个位置，这在今年还是头一回。
把前十五展开看，Anthropic 的底子依然厚：十五个席位里占了八席，Claude Opus 5.5、Sonnet 5.5、Fable 5.1 的不同配置反复出现。OpenAI 的 GPT-6 Astra（max）以 53 分排在第九，Google 的 Gemini 4 Argon（high）同样 53 分排在第十。对普通用户来说，这份表最直观的读法是：第一梯队的绝对分差其实很小，56 分和 55 分之间只隔着一层窗户纸，选谁更多取决于价格和速度，而不是那一位数的小数点。
同一个模型出现四次：先看配置，再看排名
这份榜单最容易让人看晕的地方，是同一个名字反复出现。Claude Opus 5.5 在前十五里出现了四次，分别对应 max、xhigh、high、medium 四档推理力度（reasoning effort），分数从 58 一路铺到 51，同一个模型内部就差出 7 分。GPT-6 Astra 也出现两次，53 分和 52 分各占一席。换句话说，你朋友说他「在用 Opus 5.5」，这句话传递的信息量其实非常有限——他用的哪一档、跑出来什么效果、按什么价格计费，都可能和你完全不同。
还有一个更隐蔽的标签是 fallback。Anthropic 大部分上榜配置都带这个词，意思是允许这套配置在失败时换一档设置重试。带 fallback 跑出的分数和不带的分数，严格说不能直接放在一起比，但这个差别在一张只列模型名的表格里完全看不出来。实际用下来，普通用户倒不必焦虑到逐项核对，只要记住一条：拿两个模型比分数时，先确认括号里的配置和计费口径是不是一回事，否则比较本身就没什么意义。
Muse Wonder 首进前四：Meta 一个月完成空降
两个新面孔里，Meta 的惊喜感更强一些。10 月初的读数里，Meta 在前十连个影子都没有，这个月 Muse Wonder Full（max）直接以 56 分落到第四，和第二、第三名同分。它的兄弟配置 Muse Wonder（max）排在第十一，52 分，但拿到了另一项第一：162 tokens/秒的输出速度，是整个前十五里最快的，差不多是相邻几个 Claude 配置的两倍。一个冲质量、一个冲速度，Meta 这套「双保险」打法算是站住了。
当然，Muse Wonder Full 的输出速度官方没有公布，第三方也还没拿到实测数据，它的 56 分成色如何，还要等更多独立复测。消息面上，Meta 这批模型目前主要服务自家产品矩阵，开发者能不能按同样的价格用上，各家科技媒体的口径还不一致，建议再观望观望。
Kimi K3.1 Pro 冲进前五：三分之差的三层意义
对国内用户来说，更大的新闻是 Kimi K3.1 Pro。月之暗面在 10 月 23 日发布这个模型，采用混合专家架构，总参数 2.8 万亿、每次推理激活约 1040 亿。独立评测给出的智能指数读数是 55 分，发布当天一度排在第四，月末读数居第五——不管排第四还是第五，这都是这份榜单有史以来第一次有非美国模型站进前五，距榜首只差 3 分。
拆开分项看更有意思。在考察命令行环境下真实编程能力的 Terminal-Bench 4.0 上，Kimi K3.1 Pro 拿到 67%，上一代只有 13%，这个成绩在当时的全部受测模型里排第一，压过了 Anthropic 和 OpenAI 的旗舰配置；在衡量真实工作任务的 GDPval-AA 上，它的 Elo 达到 1846，比上一代高出 312。价格方面，按独立测算，它跑完一整个智能指数任务平均成本约 2.11 美元，而 Claude Opus 5.5 同口径要 5.98 美元。短板也直白：输出速度 58 tokens/秒，在榜内垫底，而且特别「话痨」，同样的任务生成的输出量明显偏多，幻觉率虽从 53% 降到 44%，依然不算低。
更值得等的是开源承诺。官方表态将在 11 月 4 日前放出完整权重，如果兑现，它将成为智能指数上有史以来分数最高的开源权重模型，开源与闭源阵营的差距会从 12 分缩回 3 分左右。对在企业内网自己跑模型的团队来说，这可能是今年最重要的一次「期货交付」。另外有消息称，月之暗面刚完成一轮大额融资，估值约 500 亿美元，还在筹备赴中国香港上市，商业化节奏明显在提速。需要提醒的是，10 月 27 日评测机构发布了改版后的 v5 指数，六成题库换成私有题，Kimi K3.1 Pro 在新口径下读数是 46 分——新考题还没开卷，分数回落属于正常现象，真正的检验要等权重开源后各家的复测。
GPT-6.1 Sol：官方定价漂亮，独立排名却挂在中游
这个月还有一个反差点值得单独说：GPT-6.1 Sol。OpenAI 少见地直接公布了它的 API 定价——每百万输入 tokens 2 美元、输出 tokens 10 美元、缓存输入只要 0.1 美元，缓存价格是上一代 GPT-6 Sol 的一半。官方口径也给得很足：在 DeepSWE v1.1 上与自家旗舰 GPT-6 Astra 打平、成本只有约五分之一；在 AutomationBench 1.0.6 的 medium 档上比 Claude Opus 5.5 高 2.2 个百分点；低推理力度下的事实错误率从 11.4% 降到 7.7%。
但把镜头切回独立榜单，GPT-6.1 Sol（max）在智能指数前十五里只排第十四，52 分。厂商自测的基准选择权在自己手里，挑出来的都是打得赢的战场；独立指数则是一套固定的综合卷。不是说谁造假，而是两套口径回答的问题不同：前者告诉你「性价比场景下它多能打」，后者告诉你「综合能力它排第几」。实际选型时，如果你预算敏感、任务集中在代码和自动化，GPT-6.1 Sol 的价格确实有吸引力；如果追综合上限，榜前排的配置仍然是更稳的选择。顺带一提，改版后的 v5 指数里，前排模型单个任务的成本差距拉到了 13 倍以上——便宜和贵之间，隔的不只是一个名次。
网友评论
- 「Kimi 这个 55 分是真有点东西，不过那速度我用过，等它吐字的时候我茶都喝完两杯了，开源权重快点放吧，我自己本地跑。」
- 「看半天才发现同一个 Claude 出现四次，还以为榜单注水了，原来是四档推理力度。这榜对新人太不友好，建议直接默认只展示 max 档。」
- 「Meta 空降第四我反而持保留态度，速度都没公布，水分没法验证，等下个月读数稳定了再说。」
- 「GPT-6.1 Sol 这个缓存价格是真香，我的场景九成都是重复上下文，一个月账单直接砍半，排名十四无所谓，好用就行。」
总结
这个月的智能指数读数，把「榜单是动态的」这件事演得很直白：Anthropic 仍然守着第一，但前五的门被 Meta 和月之暗面先后推开，中国模型第一次站进了这份榜单的最前排。对普通用户，两件事值得带走：一是看榜先看括号里的配置和 fallback 标签，同一个模型的分差可能比榜首和第十名还大；二是把厂商公布的价格和独立评测的排名分开看，前者算账、后者验货。至于 11 月 4 日能不能等来那份创纪录的开源权重，月底的榜单大概会给出第一份答案。
