我让 Claude 画了 DeepSeek 新模型每次发布时在 lmarena 的最高排名走势图 从 V2 的默默无闻，到 R1 给世界带来一点点小小的中国震撼，再到现在 V4 归于平庸，在这条曲线上可以说很好的体现了 “于是我们奋力向前划，逆水行舟，不停地倒退，直回到往昔岁月” - 菲茨杰拉德《了不起的盖茨比》🥲

别再看 AI 榜单自嗨了！7月 LMArena 刷榜狂欢下的选型清醒指南 7 月的 AI 圈，每天都在"登顶"。 Claude Opus 4.8 暴力登顶。Claude Fable 5 屠榜封神。GPT-5.5 Pro 推理封王。Gemini 3.1 Pro 刷爆科学榜。 短短一周，"世界第一"换了四五个主人。 这正常吗？ 不正常。因为当一个榜单每周都在换主人，说明的不是"谁更强"——而是这个榜单本身，已经无法承载 2026 年模型竞争的真实形态了。 今天，聊点清醒的。 第一个判断：全能歌王的时代，彻底结束了 模型竞争已经从"争夺总冠军"，进入残酷的"按场景分科"。继续用一张总榜指导业务选型，刻舟求剑都算客气——更像是拿去年的地图找今年的路。 第二个判断：榜单经济的泡沫，正被置信区间戳破 看到"登顶"两个字，清醒的人第一反应是三个问题—— 登的是谁家定义的哪座山？投了多少票？误差区间多大？ 很多人连榜单口径都没搞懂，就急着拼总表。 第三方汇总里，Claude Opus 4.8 综合分被拉到约 1580；但 LMArena 7 月 10 日官方 Text Arena 快照里，总榜第一是 Claude Fable 5（1509±9）。 这不是谁算错了。版本、时点、评分口径只要偏一点，结果天差地别。拿着缝合的榜单去指导业务，无异于用两张不同比例尺的地图导航——你永远到不了终点。 抛开厂牌，看 7 月这五位"主治医生"的真实成色 🏗 Claude Opus 4.8（Thinking 版）｜复杂工程的重装步兵 硬核指标： 1560±9（WebDev 榜） 大实话： 别看到"Opus 4.8"就无脑冲。它的分数是 Thinking 版用反复规划和算力堆出来的——你买的是结果，不是过程。润色文案、改个样式，上它纯属高射炮打蚊子，还顺带把延迟和账单一起拉满。 复杂代码重构、长链路 Agent、需要深度内省的逻辑推演，它无可替代。但"无可替代"是有价格的，别为用不到的能力买单。 🏭 Claude Sonnet 5（High 版）｜高频生产线的性价比之王 硬核指标： 1543±13（WebDev 榜，输入 $2/输出 $10 每百万 Token） 大实话： 它在 WebDev 榜没进前五，但它是真正的企业级牛马。商业落地不看偶尔秀一次肌肉，看的是天天进流水线的稳定性和吞吐量。 团队日更代码、批量改页面——稳定、速度、投入产出比，远比榜首虚名值钱。这才是 99% 的业务该选的那一个。 🎨 Claude Fable 5｜前端 WebDev 的屠榜黑马 硬核指标： 1649±15（WebDev 榜首，2,161 票） 大实话： 分数确实炸，但别被冲昏头。WebDev Arena 测的是前端生成、视觉还原、工具调用，不是你的全栈架构。它的长周期自主性惊艳，但每百万 Token 输入 $10/输出 $50 的高阶定价，注定它走的是高精度消耗路线。 全自动网页原型、视觉 1:1 还原、可点击 Demo，它是尖刀。指望它无脑包办后端大型分布式架构，你会失望。 🔍 GPT-5.5 Pro｜高难度推理的质检员 硬核指标： 推理方向领先（综合 1551，代码 1531） 大实话： 第三方汇总的推理高分不是免检证书。LMArena 官方 Math / Math-Hard 分类里，各家梯队的置信区间已经重叠——意思是，"推理之王"这个头衔，现在谁戴都行，也都别太当真。 多步骤核验、复杂决策树、跨模态材料，放 A/B 测试里去卷延迟和正确率，别直接盲信榜单。 🌊 Gemini 3.1 Pro｜长文档海里的深海潜水员 硬核指标： 科学方向领先（GPQA Diamond 94.3%） 大实话： 科学 Benchmark 强，不等于你的专业细分领域不翻车。能读长文本，不等于每个 Needle-in-a-Haystack 的细节都对。 科研阅读、跨文档整合——它是拿来跟 GPT/Claude 打擂台的极佳对照组。但"对照组"三个字本身就说明：它不该是唯一答案。 🛠 别看厂牌，看疗效。业务选型的清醒四步法： 真正靠谱的架构师，挑模型时只问四件事： 第一，任务是什么？ 通用对话、复杂代码、前端生成、严谨推理、科学阅读——各自有对应的垂类榜单。看子榜，别看总榜。 第二，版本是什么？ Thinking、High、普通版，别混为一谈。差一个后缀，差一个量级。 第三，分差可靠吗？ 看置信区间的重叠度。票数少的子榜，分数再高也别当真——统计学意义上，它就是噪声。 第四，业务代价是什么？ 可用性（SLA）、首字延迟（TTFT）、Token 成本、工具兼容性，任何一项卡脖子，都能把那点打榜优势蒸发得一干二净。 一张更接近真实工作的"挂号表" ▸ 复杂工程、长链路 Agent → 优先实测 Claude Opus 4.8 Thinking ▸ 高频开发、批量迭代 → 优先实测 Claude Sonnet 5 High ▸ 前端页面、视觉还原、网页 Demo → 优先实测 Claude Fable 5 ▸ 多步骤推理、复杂决策 → 优先实测 GPT-5.5 Pro / 高推理档 ▸ 科研资料、长文档整合 → 优先实测 Gemini 3.1 Pro ⚠️ 注意：是"优先实测"，不是"直接指定"。拿你自己的真实业务数据跑一遍，比转发一百张排行榜都管用。 最后的行业大实话 每天都有新模型“登顶”，每天都有人在制造焦虑。 真正的行业信息差，不是你没看到榜单，而是你只看到了被自媒体压缩成中文的“某某模型世界第一”，却没看到原文里复杂的测试限制条件、投票权重和长达几页的技术局限性说明。 AI 模型的下半场，是分科主治医生的时代。谁能跨过语言这道墙，直接读到一手评测，谁就掌握了判断的主动权。 用【沉浸式翻译】开启双语对照，直接读 LMArena 原始榜单，看原汁原味的完整评测。 打破语言带来的认知偏见，从拒绝吃二手结论开始。🌐 #AI模型# #LMArena# #沉浸式翻译# #大模型选型# #人工智能#

基于nano-banana模型非常优秀的改图能力，把平面动画角色转成3D手办的玩法这几天很火，不过我自己在LMArena测试了一会儿，发现它对纯血二次元图片的转化其实不太理想，改出来的成品都更像是亚克力的吊牌而不是手办，反而让我抽到的Qwen-Image出图效果意外的好。 比如图1是原图，图2是nano-banana的，图3是Qwen-Image的，差距很明显。（1/n）

每天刷两小时推特，看到的还是二手转述。这 12 个源直接看一手，建议收藏： 1、AI News — 每日自动汇总各大社区和论文动态的日报，一篇顶你刷半天 2、The Batch — 吴恩达团队的每周简报，观点比资讯多，适合建立判断 3、Hugging Face Papers — 每天社区投票选出的热门论文，带简介 4、alphaXiv — 论文讨论区，能看到同行对一篇论文的质疑和补充 5、arXiv — 最原始的论文源，追某个方向就订阅对应分类 6、LMArena — 大模型盲测竞技场排行榜，看真实对战胜率而不是厂商自测分 7、Artificial Analysis — 各家模型的速度、价格、质量横向对比，选型时直接看这里 8、OpenRouter Rankings — 按实际调用量排的模型使用榜，能看出开发者到底在用什么 9、Simon Willison's Blog — 每个新模型发布他都会实测并写清楚能干什么，几乎不吹 10、Latent Space — 深度访谈和技术拆解，适合了解工程侧的真实做法 11、Interconnects — 训练和后训练方向的深度分析，偏研究 12、SemiAnalysis — 算力、芯片和数据中心的产业分析，看清楚上游发生了什么 如果只留两个：日常追进展看 AI News，选模型看 Artificial Analysis。

每天刷两小时推特，看到的还是二手转述。这 12 个源直接看一手，建议收藏： 1、AI News — 每日自动汇总各大社区和论文动态的日报，一篇顶你刷半天 2、The Batch — 吴恩达团队的每周简报，观点比资讯多，适合建立判断 3、Hugging Face Papers — 每天社区投票选出的热门论文，带简介 4、alphaXiv — 论文讨论区，能看到同行对一篇论文的质疑和补充 5、arXiv — 最原始的论文源，追某个方向就订阅对应分类 6、LMArena — 大模型盲测竞技场排行榜，看真实对战胜率而不是厂商自测分 7、Artificial Analysis — 各家模型的速度、价格、质量横向对比，选型时直接看这里 8、OpenRouter Rankings — 按实际调用量排的模型使用榜，能看出开发者到底在用什么 9、Simon Willison's Blog — 每个新模型发布他都会实测并写清楚能干什么，几乎不吹 10、Latent Space — 深度访谈和技术拆解，适合了解工程侧的真实做法 11、Interconnects — 训练和后训练方向的深度分析，偏研究 12、SemiAnalysis — 算力、芯片和数据中心的产业分析，看清楚上游发生了什么 如果只留两个：日常追进展看 AI News，选模型看 Artificial Analysis。