编码智能体六榜快照：六张榜单，三个榜首

为什么是这六张榜：方法论谱系

本文选定的六张榜覆盖了当前模型层评测的四种主流方法论，且全部公开可查。需要先划清一个边界：本篇比的是模型层的六张榜单，而非 Harness/智能体产品层的执行式评测（如 DeepSWE、Terminal-Bench 那类带脚手架的对比，本站此前已有多篇专文覆盖）。模型层榜单回答的是「底座模型编码能力如何」，与最终智能体产品的表现之间还隔着 Harness 这一变量。

榜单	方法论	指标	收录模型数
LMArena Code	人类盲测对战（编码场景）	Coding Elo	52
LMArena Agent	人类盲测对战（真实智能体编码会话）	Agent Score	35
CursorBench v4.0	厂商自建智能体编码基准（通过率）	Pass rate %	12
Artificial Analysis	独立综合智能指数	Intelligence Index	98
Vals AI	独立评测：软件/金融/网络安全真实任务	Accuracy %	30
LiveBench	抗污染编码套件（补全/生成/JS/Python/TS）	Score %	43

六榜分别代表：人类偏好（LMArena 双榜）、厂商自评（CursorBench）、综合智能（AA）、职业真实任务（Vals）与抗污染静态评测（LiveBench）。方法论差异本身就是榜首分裂的根源——这一点在后文展开。

六榜快照总表

下表为 2026 年 10 月 3 日聚合镜像快照（镜像声明与各官方榜 1:1 对齐、不做二次加权；LMArena 双榜另有 10 月 1 日快照可比对，分数存在小幅波动）。各榜前五名如下：

榜单	榜首	第 2	第 3	第 4	第 5
LMArena Code（Elo）	Opus 5.5（约 1815）	GPT-6 Astra（约 1788）	Sonnet 5.5（约 1786）	GPT-6 Sol（约 1758）	Fable 5.1（约 1749）
LMArena Agent（Agent Score）	Fable 5.1（约 14.3）	Opus 5.5（约 13.8）	Sonnet 5.5（约 12.5）	GPT-6 Astra（约 12.3）	GPT-6 Sol（约 11.2）
CursorBench v4.0（通过率）	Opus 5.5（57.8%）	Fable 5.1（51.8%）	Opus 5（46.6%）	Grok 4.7（46.3%）	GPT-5.6 Sol（41.7%）
Artificial Analysis（智能指数）	Opus 5.5（57.6）	Sonnet 5.5（56.0）	Fable 5.1（53.4）	GPT-6 Astra（52.7）	Gemini 4 Argon（52.6）
Vals AI（准确率）	Gemini 4 Argon（68.9%）	Sonnet 5.5（67.0%）	Opus 5.5（67.0%）	Fable 5.1（65.8%）	Opus 5（63.7%）
LiveBench（分数）	Fable 5.1（83.4%）	Opus 5.5（83.2%）	Fable 5（83.0%）	GPT-6 Astra（82.2%）	Muse Spark 1.3（81.6%）

榜首分裂的三条断层线

断层线一：人类偏好与执行通过率并不重合。LMArena 的两榜都是人类盲测投票，但 Code 榜（对话式编码）与 Agent 榜（真实智能体会话）的榜首就分裂了：Code 榜用户把票投给 Opus 5.5，Agent 榜用户更认可 Fable 5.1。到了执行式的 CursorBench（真实跑代码、判通过率），Opus 5.5 重新登顶。人类「读着舒服」的回答与「跑得通」的产物，在 2026 年 10 月仍是两种能力。

断层线二：通用智能与编码专精的相关性有限。AA 综合智能指数把 Opus 5.5 排在全体 98 个模型之首，但专测真实职业任务的 Vals AI 却把 Gemini 4 Argon 排在首位（68.9%），且 Argon 在 AA 仅列第 5。一款模型可以是「综合最聪明」的，同时在软件、金融、网络安全任务上输给另一款——智能指数与任务准确率之间隔着任务分布与评分设计。

断层线三：抗污染评测的保守倾向。LiveBench 以题目持续更新、抗训练数据污染为卖点，其榜首 Fable 5.1（83.4%）与第 5 名 Muse Spark 1.3（81.6%）仅差 1.8 个百分点，头部高度拥挤；而偏好型榜单的分差要大得多。静态抗污染套件的区分度正在下降，这与本站此前「基准大换代」一篇的观察一致：老牌基准普遍进入饱和区。

跨榜异动：谁在榜单间「精神分裂」

横向比对真正的信息量在位次差。镜像快照的跨榜排名列里，几款模型的表现值得点名：

模型	跨榜位次表现（快照）	解读
Gemini 4 Argon	Vals AI 榜首；LiveBench 编码第 1 位区间；AA 第 5；LMArena Code 第 8 区间	任务型与抗污染评测的宠儿，偏好型榜单遇冷——提示其输出风格可能不如输出质量讨喜
Grok 4.7	CursorBench 第 4（46.3%）；LMArena Code 第 14 区间（Elo 约 1638）	执行通过率不差、人类偏好一般；参考本站此前横评，其在法务/财务等四类任务榜亦有登顶记录
Muse Spark 1.3	LiveBench 第 5（81.6%）；LMArena Code 第 16 区间；Vals 第 9 区间	抗污染编码扎实，但综合位次平平，且以约 0.2 美元级定价出场，性价比画像明显
Sonnet 5.5	Vals 并列第 2（67.0%）；AA 第 2；LMArena Agent 第 3；LMArena Code 第 3 区间	六榜无榜首但全部前五区间的「全能二当家」，是榜单分歧中位次最稳的一款

另一个结构性观察：六榜前五合计三十个席位，全部由闭源旗舰占据，开源权重模型在这组快照中没有进入任何一张榜的前五——尽管在执行式智能体评测（Toolathlon 等）中开源权重模型曾逼近头部。模型层编码榜单与智能体执行层榜单的头部构成并不同步，这再次印证：比编码智能体，只看模型层榜单是不够的。

口径警示：四把必须挂起的尺子

• Elo 类榜单的波动性：LMArena 双榜随真实对局滚动更新，本镜像 10 月 1 日与 10 月 3 日两次快照间，部分模型分数已出现小幅变动（如 Opus 5.5 的 Code Elo 从约 1818 变至约 1815，Sonnet 5.5 位次与分数亦有变化）。任何精确到小数点的排名都只代表抓取时点，请以官方榜实时数据为准。
• 厂商自建基准的自评偏倚：CursorBench 是 Cursor 的自建基准，本站首篇横评即已注明其存在自评偏倚、仅作参考对照。有趣的是，Cursor 的母体生态与 Anthropic 模型深度绑定，榜首恰为 Opus 5.5——偏倚方向未必指向自家产品，但方法论上仍是单点观察。
• 聚合镜像的转述环节：本篇数据取自声明「1:1 镜像、不加权」的聚合站，而非逐榜直接抓取官方页面；镜像本身可能存在缓存滞后或字段错位。分数用于观察结构性分歧绰绰有余，用于精确比较相邻两名则不够。
• 模型层 ≠ 产品层：六榜都是模型评测，不含 Harness。同一底座在 Claude Code、Codex CLI、Gemini CLI 等不同 Harness 下的实际表现差异，本站多篇评测已证明可达数十分——选型时两层数据都要看。

目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。

选型建议：六榜怎么用

建议一：先选断层线，再选榜。如果采购场景以「人要审阅、体验要顺」为主（内部助手、结对编程），偏好型榜案权重可以高一些；如果以「机器跑批、结果验收」为主（CI 修复、批量迁移），执行通过率与职业任务类榜单（CursorBench、Vals）更具参考性；如果担心供应商刷榜或数据污染，LiveBench 这类抗污染套件作辅助。

建议二：看「稳」不看「尖」。本快照中位次最稳的是 Sonnet 5.5（六榜全部前五区间）与 Opus 5.5（三榜榜首、其余榜前四以内），而单榜登顶的 Argon 在另三榜跌出前五。对多数团队而言，跨榜方差小的模型意味着更少的意外——「六榜都前五」往往比「一榜榜首」更接近真实可用性。

建议三：把价格读进排名里。本篇未展开定价维度，但同场快照中，Muse Spark 1.3 以两位数分之差跻身 LiveBench 前五、GLM 与 DeepSeek 系在聚合镜像的性价比分层中处于 Ultra Value 档。榜首分裂的另一面是：头部 0.6 分之差对应的价差可能是数倍，性价比最优解几乎从不出现在榜首。结合本站此前多篇「成本 × 分数」横评阅读，结论会更完整。

六榜快照是一种「低分辨率但高保真」的观察方式：它无法告诉你谁更好用，但能可靠地告诉你——任何单一榜单的榜首，都不足以作为选型结论。