当两个「世界第一」同时出现｜写在混元与可灵先后宣布登顶全球第一之后

你追我赶的时代，太好了！

最近，两条消息同时刷屏：先是 9 月 23 日快手宣布其可灵 2.5 Turbo 图生/文生视频模型，推出 10 天后，即在 Artificial Analysis 上成为世界第一；紧接着，腾讯也宣布混元图像 3.0 模型在 LMArena 上成为世界第一。

混元图像 3.0

快手可灵 2.5 Turbo

有趣的是，我们发现快手可灵 2.5 Turbo 和混元图像 3.0 模型各自在不同榜单上称冠，却都「缺席」了彼此的榜单。快手的名字没出现在 LMArena，腾讯的名字也不在 Artificial Analysis。

那么，这两个几乎同时诞生的「世界第一」，其含金量究竟如何？一个模型在特定榜单登顶，是意味着它全面超越了对手，还是说它更懂得如何应对特定规则下的「考试」？

接下来，我们将还原这场「榜单之战」的全貌，拆解一下这些排名的规则和逻辑，去理解在当下的 AI 圈子里，「第一」究竟意味着什么。

「第一」到底是怎么算出来的？

为了读懂「谁是第一」的意义，我们必须拆解 「榜单 or 竞技场」的规则。

AI 模型的排名是特定评估体系下的产物，「第一」取决于它是在哪个赛场、遵循哪种规则赢得的。

我们来看看这次混元图像 3.0 和可灵 2.5 Turbo 获得冠军的 2 个榜单代表：LMArena 和 Artificial Analysis。

LMArena

先来看看 LMArena 文生图榜单（混元 3.0 使用的那个）。

LMArena 其实是一个人类偏好投票的「竞技场」，由 UC Berkeley 发布，也是目前国际上最权威的榜单之一。

简单点说就是它不关心模型有多少参数、跑得多快，或者那些技术指标，而是把最终的裁判权，交给了成千上万的真实人类用户。

它的规则总的来说「简单粗暴」，就像一场匿名的「二选一」盲测。

大致流程为：

【1】用户输入一个指令；

【2】平台把这个指令随机发给 2 个匿名的模型，让它们各自生成一张图；

【3】2 张图并排出现，让大众凭自己的喜好，投出「这张更好」的一票。

举个简单的例子：

模型 A（GPT-5） vs 模型 B（Claude 4.5），用户看完两者回答后投票：B 更好。如果 GPT-5 当前 Elo 比 Claude 高很多，B 这次算是「赢强者」，它的分数就会升不少。如果 B 连续几次赢高 Elo 对手，它的 Elo 分就会持续上升。它多次赢下强敌、表现稳定时，Elo 就会慢慢接近它的真实实力水平，也就是“收敛到真实水平”。

1 个模型战胜了排名更高的对手，分数涨得就多；反之则少。经过海量用户的投票，系统最终会给每个模型算出 1 个分数，这个分数就代表了它在「大众审美中的相对位置」。

如果更严谨点说的话，LMArena 的评分系统涉及非常复杂的「配对策略、资格机制、风格控制」等等。

比如说，为了能让投票更多集中在「模型对 prompt 的理解、内容、表达质量」而非花哨样式，LMArena 研究了如何减弱「格式、输出风格、排版 、Markdown 等非内容偏好」对投票的干扰，引入对风格、格式因素的建模、校正机制。

再比如，为了让评分更新更有效率，同时避免部分模型长时间不被对比，他们调整模型被抽中的概率，让其与当前评分不确定性（confidence interval）、排名差异等因素挂钩。

听起来就非常复杂。

所以，严格说起来，这需要一篇严肃学术论文来支持他们的方法论，而 LMArena 正好发表过论文：

所以，这次腾讯混元图像 3.0 登顶 LMArena 全球榜首，意味着，在全球 26 个顶尖模型的贴身肉搏中，混元在「真实用户觉得哪张图更好看」这场考试里，赢得了最高的评分。

Artificial Analysis

接着，就是可灵 2.5 Turbo 获得冠军的 Artificial Analysis 视频生成榜单。

与 LMArena 相似的，Artificial Analysis 也引入了相当复杂的机制，其混合了传统 Benchmark 和「对比投票」风格机制。

其机制大致根据测试 AI 模型的类别分为 2 个方向：

【1】在文本、语言、理解、推理方向，它有一个「 AI 指数」（Artificial Analysis Intelligence Index, AAII），由多个子 Benchmark 任务组成。

其任务包括推理、知识问答、数学、编程、长期记忆、上下文理解等。

【2】对于图像、视频生成方向，它有专门的 「对比机制」用于模型之间的盲测式对比。

例如，其 Video Generation Arena 就允许用户在 2 个模型对于同一个 Prompt 生成的视频间做选择对比。

像是：

【1】动作流畅度与物理真实性：

视频动起来是否丝滑、连贯，且符合物理规律？

【2】物体与身份一致性：

视频里的人和物，会不会看着看着就变样了？

【3】美学质量：

生成的画面构图、光影效果和整体视觉观感好不好

【4】语义对齐度：

视频内容是否还原了 Prompt？（毕竟，对比盲测中会提供 Prompt 文本）。

等等。

正是在这样一条技术赛道上，可灵 2.5 Turbo 1080p ，在文生视频和图生视频 2 个分榜上，双双击败了后面的 SOTA 模型，拿下了冠军。

在浏览 LMArena 和 Artificial Analysis 这 2 个榜单时，我们发现了一个值得玩味的现象。

两款在各自榜单上表现顶尖的模型：混元 3.0 和可灵 2.5 Turbo，却都「缺席」了对方的榜单。具体来说，在 LMArena 上夺冠的混元 3.0，并未出现在 Artificial Analysis 的图像生成榜单中；而在 Artificial Analysis 上拿下「双冠」的可灵 2.5 Turbo，也同样未被 LMArena 的文生视频/图生视频榜单收录。

对此有了解的朋友，欢迎在评论区分享洞见！

除了它们，还有更多「竞技场」在运行

实际上，LMArena 和 Artificial Analysis 只是 AI 评估中的 2 个代表。为了更全面地衡量 AI 的能力，现在已经有了一个更庞大「比赛系统」。

这个评估体系的演进本身，就是 AI 领域创新的一个缩影。当选手越来越强，评估系统也得跟上。

最初，大家依赖固定的学术 Benchmark；后来，生成式 AI 的答案越来越开放，于是催生了像 LMArena 这样引入人类真实偏好的平台；再后来，为了防止模型学会「应试技巧，只会考试」，像 LiveBench 这样反作弊的「闭卷考试」就被抬了出来。

现在，光评估技术已远远跟不上时代了，HumaniBench 这类关注伦理、公平的「人文考场」也开始出现。

这其实表明，我们对「好 AI」的定义，正在从单一的技术好坏，扩展到一个更多维的框架中。

所以，如果说榜单是一场专门设计出来的考试，那么 AI 模型的登顶，并不总意味着它在所有方面都「全面更强」，而可能只是它更擅长应对这场特定的「考试」。

学术界有很多人在这方面都做过相关研究，像是《自然》（Nature）曾发表文章，标题就很硬核：《你的 AI 基准在对你撒谎吗？》。里面指出，过度追求在特定 Benchmark 上的高分，正在扭曲我们对 AI 真实能力的理解。

诸如此类的研究有很多，我们就不一一列举了。

回归到更直观的场景，作为人气最高的「竞技场」，围绕 LMArena 公平性的讨论就非常激烈。一直都有人批评大厂的模型在正式发布前，可能已经以代号的形式在 Arena 上进行了大量的「灰度测试」。

这相当于它们比别人多了好几轮「考前辅导」。

The-decoder 直接爆了一篇解读研究文章，说：基于 280 多万条模型对比记录（2024 年 1 月至 2025 年 4 月），认为大型模型厂商可能利用更多资源、更频繁的版本提交和调试机会，在平台上获得不对称曝光和改进的机会。

但由于 LMArena 一直否认，大家也没抓到什么「把柄」，导致大家将信将疑。

结果，Meta 的 Llama 4 迎面撞了上来，导致大家彻底相信「大厂会专门拟合榜单」。

事情是这样的，4 月份的时候，Meta 上传了 Llama 4 的一个版本「Maverick」到 LMArena，当场获得第二名的好成绩。

但是，外界很快注意到：提交到 LMArena 的模型版本与公开发布给开发者社区的版本不完全一致。报道认为，Meta 用了一个 「experimental chat version」（实验型、对话优化版本）参与评测。

TechCrunch、The Verge 报道里直接指出：

如果一个模型被专门调优以在这个 Benchmark 上表现更好，但普通用户拿到的版本并不具有那种优化，那评测分数就具有误导性。

网友发现 Llama 4 LMArena 版本似乎使用了大量表情符号，并给出非常冗长的答案。

于是，很多人把把这件事情看作是一个典型的「秀分、优化版本」案例。

当然，LMArena官方也在不断进化「考试规则」，努力减少这些非能力因素的干扰。

这一切讨论并非为了否定榜单。恰恰相反，「考试」是推动进步的必要手段，它让我们清晰地看到 AI 模型在特定规则、特定数据集、特定用户群体下的表现的提升。

真正的竞争，不是为了第一

在 AI 模型的进化史中，从没有任何一个「第一」一直是榜首的。从「远古」时代的 DALL·E 到 Midjourney，从 GPT-3 到 GPT-5，再到 Sora、混元和可灵。

每一个时区都有一个冠军，也注定会被后来者超越。

这场竞速的核心价值往往从来不只是为了争夺一个短暂的名次。它的核心价值在于，这个你追我赶的过程，让所有参与者都变得更快、更好、更开放。

真正的竞技场，在榜单之外，它关乎 4 个更根本的维度，我们稍作整理，也欢迎大家继续补充：

【1】通用性泛化能力

也就是我们老提到的「举一反三」能力，AI 模型不能总是仅仅记住「标准答案」。

这里有个很有意思的案例，正好用来说明。

NeurIPS 2023 曾有一场非常戏剧性的微调竞赛，对于公开竞赛阶段第一名的模型，在闭卷阶段性能大幅下滑。这正是「会考试，不一定会举一反三」的典型例子。

【2】鲁棒性（也是大家常说的稳健性）

面对现实世界中乱七八糟的输入，模型会不会轻易「崩溃」或产生有害的输出，它需要能优雅地处理各种「不确定性」。

【3】成本效率

老生常谈的问题了，AI 智能是有代价的，代价就是巨大的算力。如何在保持高性能的同时，降低训练和推理的成本，是决定技术能否从实验室走向市场的关键。

几乎所有厂商都在这方面疯狂「卷」，一个很直观地例子：8 月份 OpenAI 发布的 GPT-5 一经上线，直接全面下架了 GPT-4o 等模型。因为它智能更高，而成本几乎不变或下降了。

这带给用户和市场的体验，是巨大的。

【4】多模态融合

我们曾有一个论断：AI 模型模态融合的越多、质量越高，越好。因为未来的 AI 是能无缝地听、说、读、看、思的综合体，是一个「中间层」，更像是一个 OS 系统。

它需要深度理解不同模态信息之间的关联。

就像这回夺冠的混元 3.0，许多人非常关注的原因就在于其已经有了「世界知识」，可以将这些信息应用在图像模态生成中。

混元 3.0 生成

你追我赶，太好了

如果要为 2025 年至今的 AI 竞争格局写下一句总结，那无疑是「十字路口」团队反复写下的那句话：

「你追我赶的时代，太好了。」

我们无法，也无需去追求一个永恒不变的「第一」。

因为 AI 的本质就是动态演进的。今天看似完美的 AI 模型，明天就可能被新的架构、新的算法所超越，正如 Transformer、DiT 架构，这正是这个领域最激动人心的地方。

从最初只能生成模糊的图像，到如今创造以假乱真的视频。这背后，是无数团队夜以继日的研发，是开放社区的贡献，也是竞争所带来的潜能。

因此，我们不仅为混元、可灵团队感到骄傲，也为所有在路上的研究者、工程师、创作者喝彩。

或许，这才是「第一名」这个概念在 AI 时代真正的意义：

它不是为了战胜别人，而是为了向世界证明，我们又多了一种更好的、更强大的、更接近理想的答案。

而只要这场良性的追逐继续下去，最好的答案，就永远在下一个。

文章来自于微信公众号 “十字路口Crossing”，作者 “十字路口Crossing”