AA 榜单观察：国产大模型为何集体跌出 Top 10？

最近常被问到一个问题：怎么感觉国产大模型在 Artificial Analysis 榜单上突然不行了？

这个观察是真实的——打开最新的 Artificial Analysis Intelligence Index（以下简称 AA 指数），前十名清一色是美国模型，国产最佳小米 MiMo-V2.6-Pro 只能排到第 28 名。而仅仅三个月前的 2026 年 7 月，国产模型还能在 Top 10 里占到 6 席。

但「不行了」这三个字需要拆开看。这篇文章不站队、不贩卖焦虑，用数据回答三件事：到底掉了多少、为什么掉、以及哪些地方其实没掉甚至还在领先。

一、先看事实：从「占六席」到「零入围」

AA 指数当前版本是 v4.3.2（截至 2026-10 上旬），这是理解一切的前提——榜单的构成和权重在 9 月刚经历过一轮大改，后面会展开。

2026 年 10 月中旬，AA 指数 Top 10：

（注：第 5 名同样是美国模型，不同推理档位会各占一席。）

再看国产模型的位置：

国产最佳与榜首的分差约 11.3 分。美国政府 AI 安全研究所（CAISI / IEA）10 月 9 日的独立评估也给出类似判断：DeepSeek V4 Pro 在高难度任务上落后最前沿模型约 8 个月。

对比 2026 年 7 月——彼时 GLM-5.2 在 Agent 指数排到全球第 4，国产在综合 Top 10 中占据 6 席。三个月间从「六席」到「零入围」，落差确实肉眼可见。

但关键的第一个判断是：这是「相对下滑」，不是「绝对退步」。 国产模型的分数并没有明显下降（MiMo-V2.6-Pro 仍是 46 分、9 月发布时就是这个分），真正发生的是分数线被头部整体抬了上去。

二、原因一：榜单「换了口味」，正好戳中国产短板

这是最容易被忽略、却可能是最根本的一条。很多人以为 AA 指数是一个固定不变的考试，其实它在 2026 年 9 月连续更新了 v4.2、v4.3、v4.3.1、v4.3.2 四个版本，评测重心发生了结构性转向。

当前 v4.3.2 由 10 个评测组成，分四大类：

（更早的 v4.1 是 Agents 34% / Coding 24% / 科学推理 24% / 通用 18%；v4.2 起移除了 GPQA Diamond，新增 AA-Briefcase 和 GDP.pdf。）

仔细看这套构成，会发现它对国产模型有三重不利：

第一，它极度偏向「真实长程 agentic 任务」。 GDPval-AA 测的是模拟真实商业分析师的投研任务，每次运行要花 88–620 美元、长达数小时、要操作 Shell / 浏览器 / 文件，最后产出一份可交付的研究文档；Terminal-Bench 4.0 是在真实 Linux 终端里排障；AA-Briefcase 测文件类工作交付。这些都不是「一问一答」，而是要求模型在复杂环境里连续决策、调用工具、跨多轮不掉链子。这正是国产积累相对薄弱的维度。

第二，它引入了「抗幻觉」的负分机制。 AA-Omniscience 占 15%，其中明确拆成「准确率 10% + 不幻觉率 5%」——也就是说，不懂还敢编，会直接扣分，部分偏「敢答」的轻量开源模型在这项上甚至拿到负分。相比之下，Claude 这类被刻意训练得更「谨慎、会拒答」的模型占优。

第三，它基本是一份英文、文本评测。 AA 官方方法论明确说明，智能指数是 primarily text-based、English-language 的评测套件，多语言、视觉、语音能力是单独评测、不计入这个总分的。这意味着国产模型在中文理解、多模态（图/视频/音频）上的优势，在这张榜单上完全体现不出来。

一句话：AA 指数衡量的是「英文语境下、真实办公与科研环境里的长程智能体能力」，不是「综合 AI 能力」。 把它当成唯一真理，本身就是误读。

三、原因二：美国头部在 9–10 月「密集发旗舰」

榜单是零和的——名次不只取决于你，还取决于对手。

过去两个月，美国头部厂商完成了一轮罕见的旗舰密集发布：Anthropic 的 Claude Opus 5.5 / Sonnet 5.5 / Fable 5.1、OpenAI 的 GPT-6 Astra / 6.1 Sol、Google 的 Gemini 4 Argon、Meta 的 Muse Wonder Full（10 月 12 日，详见本站[论文解读⑬：Muse Wonder Full](/posts/2026-10-19-论文解读13-Muse Wonder Full-Meta个人超级智能的Agent底座)）。它们清一色瞄准「个人 / 专业智能体」这个方向，把 Top 10 的门槛直接抬到了 52 分以上。

这不是国产原地踏步被超过，更接近一场时间差造成的挤压：

• 美国厂商恰好在 v4.3.2 这套「偏 agentic」的新标尺落地前后，集中发布了为 agentic 专门优化的旗舰；
• 分数 53 分上下挤了一大片模型，说明第一梯队内部差距其实很小，任何一家发新都会重排座次；
• Meta 的 Muse Wonder 系列甚至在官方报告里直接点名对比「Opus 5.5、GPT-6」，把这场军备竞赛摆在了台面上。

四、原因三：国产正处在「代际空窗期」

看国产当前在榜的型号就明白了：DeepSeek 还是 V4.1、阿里停在 Qwen3.8、智谱是 GLM-5.3、月之暗面是 Kimi K3——都不是对标 Opus 5.5 / GPT-6 这一代的新旗舰。

换句话说，2026 年 10 月这个时间切片，恰好卡在「美国新一代刚发布、国产下一代还在路上」的缝里。能打的下一代——DeepSeek V5、Qwen 4、GLM-6——都尚未发布。历史上国产模型已经多次走过「被拉开 → 追平 → 局部反超」的循环，这一次更像周期性的节奏错位，而不是技术路线被证伪。

9 月 22 日小米发布 MiMo-V2.6-Pro 时，它以 46 分一度登顶「全球开源第一、国产第一」；仅仅三周后，随着 Muse Wonder Full 等闭源旗舰入榜，它的总榜名次滑到 28，但「开源第一」的身份并没有变。这个细节很能说明问题：名次下滑里有相当一部分，是别人发新货挤下来的，不是自己变差。

五、原因四：结构性差距在「吃算力」的赛道被放大

最后一条更硬核，也是我认为最值得长期警惕的。

v4.3.2 看重的真实长程 agentic 能力，靠的是大规模真实环境强化学习（RL）+ 推理时计算（test-time compute）扩展，这两件事都极其消耗算力。美国头部厂商在这方面的投入是 gigawatt（吉瓦）级的：Meta 在 Prometheus 数据中心训练 Muse Wonder，xAI 的 Colossus、微软 / OpenAI 的超大规模集群都在持续扩张。

国产厂商面对的约束不同：

• 算力管制下，高端芯片获取受限，单位美元能堆的 FLOPs 处于劣势；
• 因此国产更倾向走 MoE 稀疏架构 / 推理效率路线（DeepSeek、Qwen 都是代表），用架构创新补算力短板；
• 效率路线赢在「性价比」，但在「纯堆算力就能线性涨分」的绝对智能维度上，天花板更容易被摸到。

还有一个容易被忽视的因素：开源与闭源的取舍。美国头部旗舰（Opus、GPT、Gemini、Muse Wonder Full）几乎全部闭源，可以用任意大的参数规模、满配推理预算去冲分；而国产旗舰普遍选择开源权重（要兼顾别人能部署、能跑得起），模型尺寸和推理档位必然受限。这也会在「不限成本」的榜单上吃亏。

六、但别急：这几条赛道国产仍在领先

如果只看综合榜就得出「国产不行了」，会错过另一半事实。在 AA 自己的其他维度榜单上，国产依旧是标杆：

1. 性价比（这是最夸张的一项） MiMo-V2.6-Pro 单任务实测成本约 $0.13，而 Claude Opus 5.5 约 $5.98——同等智能水平下，国产模型便宜约 20–60 倍；DeepSeek V4.1-Flash 输出速度约 320 tokens/s。对真正要规模化落地的企业来说，这比综合分高几分重要得多。

2. 开源权重 MiMo-V2.6-Pro 是 AA 榜单上的全球开源模型第一（MIT 协议，权重 + RL 训练框架都开放），也是全球开源阵容里罕见的全模态 Pro 模型。闭源旗舰再强，你也拿不到权重、无法私有化。

3. Agent 细分赛道 在专门的 Agent 指数上，Kimi K3 排到全球第 3、Qwen3.8-27B 排第 4，与榜首差距很小——说明「长程智能体」并非国产完全掉队，而是不同厂商各有强弱。

4. 架构与训练范式的外溢影响力 DeepSeek、Qwen 探索的 MoE、稀疏注意力、低成本 RL（小米这次把 MiMo 的 RL 后训练成本——6 天约 347 万美元、约 75 万条轨迹——完全公开）正在被全球团队借鉴。用更少算力逼近更高智能，本身就是一种被低估的竞争力。

所以更准确的画像是：「综合智能分数」这一项输给了闭源头部，但「单位成本智能」「开源生态」「中文与多模态」这几条产业落地最关心的赛道，国产仍是全球第一梯队。

七、也要清醒：榜单的局限与真实的警讯

写到这里，既要避免「全面唱衰」，也要避免「都是榜单的错」式自我安慰。两点需要分清：

榜单本身的局限（不必过度焦虑的部分）：

• AA 智能指数只测英文文本，中文、多模态不计分，天然不反映国产的主场能力；
• 单一榜单权重一变，名次就会大幅重排，v4.1 到 v4.3.2 只隔了几个月，权重和评测项都换了，跨年直接比较名次需谨慎；
• 头部 53 分上下密集，统计置信区间（官方称约 ±1%）内的几名差异，实际意义有限。

真实存在的警讯（不能用榜单局限掩盖的部分）：

• 竞争的主战场确实已经从「知识问答 / 数学刷分」转向「真实环境里的长程 agentic + 抗幻觉 + 科学推理」，而这恰好更吃算力、吃真实环境 RL、吃推理时计算；
• 在这个深水区，算力管制构成的是硬约束，不是靠一代模型的优化就能完全对冲的；
• 能不能持续跟住，取决于三件事：国产算力供给能否跟上、训练范式能否继续用效率换规模、以及下一代旗舰（V5 / Qwen4 / GLM-6）能否在 agentic 上拿出对标之作。

八、结语：这是一次「周期性空窗」，但考题确实变难了

回到开头的问题，我的结论是三句话：

1. 下滑是真实的，但主因是「对手集中加速 + 自己换代空窗 + 榜单转向不利维度」三者叠加，而不是国产能力倒退。
2. 真正该盯的不是这一个月的名次，而是下一代旗舰发布时，能不能在 agentic 这个新考场上交卷。 历史经验是国产大概率会再追回来一部分。
3. 长期的硬约束是算力。 性价比和开源是国产的护城河，但护城河不能替代「绝对智能前沿」的正面竞争——这两件事需要同时做。

榜单是地图，不是疆域本身。一张偏英文、偏办公 agentic 的地图，照不出国产模型在中文场景、多模态和极致性价比上的全部地形；但它也诚实地标出了一个方向——下一阶段的竞争，属于那些能在真实世界里长时间、可靠地替人把事做完的模型。 这个方向，谁都绕不过去。

参考资料

• Artificial Analysis, Intelligence Index 与方法论：https://artificialanalysis.ai/ 、https://artificialanalysis.ai/methodology/intelligence-benchmarking
• AA Intelligence Index v4.3.2 权重解析（QCode，2026-10-07）
• 小米 MiMo-V2.6 系列发布报道（经济观察网、21 世纪经济报道，2026-09-22/23）
• Meta Research, Introducing Muse Wonder（2026-10-12）
• CAISI / IEA 对 DeepSeek V4 的独立评估报道（2026-10）
• 延伸阅读：本站 Arena 榜单深度解析：众包盲测如何成为 AI 评测的黄金标准、[论文解读⑬：Muse Wonder Full](/posts/2026-10-19-论文解读13-Muse Wonder Full-Meta个人超级智能的Agent底座)

说明：AA 榜单版本与分数更新非常频繁（9 月内就迭代了 4 个版本），本文数据截至 2026 年 10 月中旬，具体名次请以 artificialanalysis.ai 实时页面为准。