9月大模型排行榜大洗牌：Meta Muse Spark 1.3三天登顶，Kimi K3、GLM-5.3杀进前十

2026年9月的大模型排行榜换主角了。

AIHOT最新榜单显示，Meta 9月2日上线的Muse Spark 1.3，发布仅三天就冲上第一，上下文窗口104.8万token。上一代Muse Spark 1.2被顶下去，一天之内滑落到第11名。

这个结果出乎不少人的意料。Meta自2025年5月发布Llama 4之后，超过14个月没有推出新旗舰，一度被认定实质性掉队。现在一年三代连发（1.1在7月、1.2在8月、1.3在9月），节奏彻底拉满。

前十名的格局

OpenAI 9月3日发布的GPT-6 Astra排第二。编程和计算机操作是它的强项，105万token上下文，API定价为每百万token输入10美元、输出50美元。

Anthropic占了第三和第四。6月上线的Claude Fable 5，在第三方评测机构Artificial Analysis的综合指数上长期霸榜，长文写作和代码是传统强项。7月底的Claude Opus 5主攻推理深度和agent任务，和Fable 5形成一高一快的双线布局。

9月1日，Anthropic又推出了Claude Fable 5.1，缓存读取价格下调75%，每百万token降到0.25美元。头部厂商的降价从来没有停过。

国产模型这次拿到两席。月之暗面7月发布的Kimi K3排在第6，104.8万token上下文，长文本功底延续了固有优势。智谱8月中上线的GLM-5.3排第8，131万token上下文是全榜最大，也是前十名里唯一的国产开源系。

Google靠Flash系打配合。9月2日发布的Gemini 3.8 Flash排第7，多模态是家族招牌，速度快、价格低。8月的Gemini 3.7 Flash排在第10。

马斯克的Grok 4.6占第9，50万token上下文，接入X平台的实时信息流是独门优势。

百万上下文成了标配

榜单前30名里，一大半模型的上下文都在100万token级别。这个数字在一年前还是旗舰专属，现在已经下放到走量款。

价格同样在跳水。DeepSeek V4 Pro 0813走开源加低价路线，排在第21名；轻量版DeepSeek V4 Flash 0731配了131万token上下文。国产模型的价格普遍只有海外同档的几分之一。

OpenAI用变体铺满中间段位。GPT-5.6系列有Sol、Terra、Luna三个变体，分别排在第5、第14、第24名，各自面向不同的负载。GPT-5.6 Sol的综合实力稳居前五，7月上线至今仍是大量生产环境的主力。

榜单之外的两个信号

基准测试的头部竞争到了毫厘之间。Fello AI的评测显示，GPT-5.6 Sol在GPQA Diamond拿到94.1%，追平了此前领先的Claude Fable 5；Humanity’s Last Exam上GPT-5.6 Sol得分44.4%，Claude Fable 5在Scale SEAL榜单以55.5%领先。搜索场景里，Arena搜索榜由OpenAI领跑，GPT-5.6 Sol以1257分居首，Claude Fable 5排第五。

另一个信号是安全审查在加码。OpenAI宣称GPT-6 Astra是第一个触发其关键网络安全防护阈值的模型。模型能力越强，配套的防护机制越重，这会是接下来选型时绕不开的考量。

别只盯第一名

榜单第一名的含金量在下降。Muse Spark 1.3三天登顶，Muse Spark 1.1在7月还是榜首，三个月内Meta的榜首位置换了三个版本。Artificial Analysis的综合指数前几名长期咬在两三个点以内，换一个测试集，排名就可能重排。

对企业用户来说，稳定性比排名更实际。GPT-5.5（第12名）是4月上线的老型号，综合均衡、生态成熟，存量用户依然庞大。不少团队的选型策略已经从追新改成跟随，每次换模型都要重新跑评测、调提示词、验边界，迁移成本不低。

一个可参考的做法是双供应商策略：主力模型锁定一家，备用模型定期跑回归测试。模型迭代速度已经快过多数团队的评估周期，把决策做成可回滚的流程，比押注某一次发布更稳妥。

给开发者的选型建议

榜单只反映综合评测的相对位次，选型要看场景。

写代码选GPT-6 Astra或Claude Fable 5；跑agent优先看Claude Opus 5；中文场景和多语言需求可以试Qwen3.8 Max（第13名）和Kimi K3；预算有限的批量调用，看Gemini Flash系和DeepSeek V4 Flash。

头部四家的差距在缩小，国产第二梯队的性价比在放大。这个9月，可能是重新评估供应商的好时机。