榜单盘点：月末各模型处于什么位置

随着本月发布尘埃落定，9月29日的榜单快照讲出了一个连贯的故事：Claude Opus 5.5 以 86.9 领跑 Anthropic 阵营，GPT-6 Astra 在 GPQA Diamond 拿下 96.0%，开放权重梯队则继续逼近。

榜单盘点：月末各模型处于什么位置

9月29日的基准测试快照，迄今最清晰地勾勒出这场在三条战线上展开的前沿竞赛：原始能力、性价比与开放可用性。以下是月末的最新格局。

Anthropic 的榜单。Claude Opus 5.5 登顶 Anthropic 模型的 BenchLM 榜单——9月29日快照为 86.9，10月更新后为 86.3。5.5 系列对自家前代的更替来得很快：7月的 Opus 5 与 6月的 Sonnet 5 退居次级档位，4 系列则已于6月15日整体退役。本月见于系统卡的 Sonnet 5.5 与 Haiku 5.5，在撰写本文时还未进入已公布的榜单——如今两者均已入榜：Sonnet 5.5 在9月28日 GA 后约为 83.8（SWE-bench Pro 81.3%），Haiku 5.5 随10月7日发布跟进。

OpenAI 的榜单。GPT-6 Astra 在 GPQA Diamond 上的 96.0% 是本月头条数字——研究生水平的科学推理，放在以往任何一年都足以定义前沿。五档推理控制让直接对比变得复杂，因为成绩取决于所选的投入档位。

开放权重榜单。9月的对比将 DeepSeek V4、Kimi K3、GLM-5.3 与 Qwen3.8 排在开放阵营头部，评估维度为 SWE-Bench 编程、GPQA 推理、价格与许可证。在这些维度上，它们与闭源前沿模型的差距已缩小到由负载适配度、而非原始能力来决定取舍的地步。

榜单看不到的东西。基准测试跑在干净、定义明确的问题上；生产环境的任务两者皆非。延迟、可靠性、工具调用稳健性，以及真实检索噪声下的长上下文表现，仍然严重缺乏衡量——而这些恰恰常常是实际部署成败的关键。

用榜单圈出候选名单，再用自己的流量做评估。这条建议从未变过，本月的数字——尽管亮眼——同样改变不了它。