Design Arena刚发布了Agentic Slides排行榜。在讲结果之前，先说说这个榜单是什么来头。
Design Arena是什么
Design Arena是Arcada Labs做的一个AI设计能力评测平台，也是目前全球最大的AI设计众包基准测试。它和Arena.ai（综合评测）、BridgeBench.ai（代码评测）并列，是目前少数几个靠真实用户投票、而不是靠刷题来排名的AI榜单。
平台有380万+用户，覆盖190多个国家。评测方式很直接：给两个模型同样的设计prompt，把结果匿名摆在用户面前，用户投票选哪个更好。排名算法用的是Bradley-Terry模型，和国际象棋的Elo评分类似——每投一票，模型的相对排名就更新一次。
覆盖的设计类别有十几个：网站设计、UI组件、移动应用、3D设计、游戏开发、数据可视化、Logo、SVG、ASCII艺术、视频，还有我们要说的Slides（幻灯片）。
Agentic Slides怎么评的
Slides Arena是Design Arena下的一个子榜单，专门评AI生成幻灯片的能力。370多万人在平台上做幻灯片，系统随机分配两个模型生成，用户选哪个更好。没有预设的评分标准，就是用户觉得哪个好用。
这种方式叫"soft-verifiable"——不像代码可以跑测试，幻灯片好不好用很主观。但样本量够大，370万用户的选择还是能说明问题的。
另外值得一提的是，这个榜单用的是修改版的开源agent harness，模型可以调用generate_image等工具。也就是说，评的不只是"写文字"能力，还包括"做设计"的综合能力。
前三名
Claude Opus 4.7拿了第一，Elo 1335，胜率66.1%，738场对战。第二是Opus 4.7的Thinking版本，Elo 1308，胜率60.6%。第三是智谱AI的GLM 5.1，Elo 1253，胜率56.6%，打了1162场。
Anthropic包揽前二，智谱AI守住第三。这个格局和之前差不多，两家在soft-verifiable domains一直领先。
有意思的几个点
Grok 4.3排第四，Elo 1247，胜率61.7%。但只打了222场，样本量偏少，这个排名可能不太稳。
Claude Sonnet 4.6排第五，Elo 1244，胜率52.8%。比Opus低了91个Elo，但胜率刚过半。说明Sonnet赢得多的局赢得不太干脆，输的局输得也不算惨。
OpenAI的GPT-5.4和GPT-5.5分别排第九和第十一，Elo都在1180左右，胜率刚好50%。不上不下，挺尴尬的位置。
Google的Gemini 3 Flash Preview和Pro Preview并列第十二，Elo 1138，胜率都在44%左右。和前面的差距有点大。
国产模型的表现
智谱AI这次挺亮眼。GLM 5.1排第三，GLM 5V Turbo排第六，GLM 4.6排第七，GLM 5排第八。前八名占了四席。
不过也有隐忧。GLM 5.1打了1162场，是所有模型里最多的，但胜率只有56.6%。相比之下，Opus 4.7只打了738场，胜率却有66.1%。场次多说明用户选得多，但胜率才是硬指标。
Moonshot AI的Kimi K2.6排第十，打了1098场，胜率44%。场次第二多，但胜率没过半。用户爱用，但用完觉得还是差点意思。
Thinking模式有用吗
Opus 4.7的Thinking版本比普通版低了27个Elo，胜率也从66.1%降到60.6%。这有点反直觉——按理说"思考"应该更聪明才对。
可能的解释：幻灯片生成不需要太深的推理，快速出结果更重要。Thinking模式花更多时间"思考"，但用户等不及，或者结果反而过度复杂。
怎么看这个结果
说实话，我不太确定这种排行榜能说明多大问题。幻灯片好不好用，很大程度取决于具体场景。做商业汇报和做学术答辩，需求完全不一样。370万用户的选择是平均值，落到个人头上可能完全不同。
但有一点是确定的：Anthropic和智谱AI在这个赛道确实有优势。至于能不能保持，得看后续的模型更新。