Sonnet 5.5 在比拼中胜过 Asta 和 Sol
Sonnet 5.5 在比拼中胜过 Asta 和 Sol，发帖者对此表示意外。
#评测/基准
#评测/基准
今日 2 条Lenny Rachitsky(@lennysan)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 THE DECODERAI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 69/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Anthropic 发布 Claude Haiku 5.5，价格下调最高 90%
Anthropic 发布小型模型 Claude Haiku 5.5，平均价格比 Haiku 4.5 低约 75%，10 万 token 以内的提示词最高降价 90%，同时 Sonnet 5.5 的缓存读取价格减半。
lmarena.ai(@lmarena_ai)AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 28/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 LMArena 周报：Nano Banana 2.1 三项 Image Arena 进前六，Mistral Large 4 登 Agent Arena 第 43
Nano Banana 2.1 在三项 Image Arena 模式中均进入前六：Multi-Image Edit 第 4（1431 分）、Text-to-Image 第 5（1328 分）、Image Edit 第 6（1428 分）。
AI Will(@FinanceYF5)AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 数学成果发布：LLM 已在 7 个千禧年大奖难题中的 4 个取得实质性进展
OpenAI 发布数学成果，被 Opus 称为"史上影响最深远的一次数学成果发布"。LLM 已在 7 个千禧年大奖难题中的 4 个上取得实质性进展，但该判断的前提是相关结果需要通过验证。
OpenRouter(@OpenRouterAI)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 StepFun 8 项基准评测：Step 5 Preview 在 6 项超过 Kimi K3 与 GLM-5.3
StepFun 的 8 项基准评测显示，Step 5 Preview 在其中 6 项超过 Kimi K3 和 GLM-5.3，包括 DeepSWE（67.7）、ProgramBench（80.5）、StepCodeBench（49.0）和 FrontierFinance（66.4）。
OpenRouter(@OpenRouterAI)AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 12/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-6 Luna 以 180ms 全球请求延迟成为最快 Decisions 模型
GPT-6 Luna 成为当前最快的 Decisions 模型，全球请求延迟为 180ms。其后依次为 Jev 和 Perplexity Decider。
lmarena.ai(@lmarena_ai)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral Large 4 预览版登 Code Arena WebDev 第 45 名，成唯一上榜欧洲实验室
Mistral Large 4 预览版在 Code Arena: WebDev 以 1534 分位列第 45 名，比 Mistral Large 3 提升 304 分，使 MistralAI 进入该榜前 15 实验室，是唯一上榜的欧洲实验室。
lmarena.ai(@lmarena_ai)AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 40/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Haiku 5.5 在 Code Arena 得分 1587，较 Haiku 4.5 提升 257 分
Claude Haiku 5.5 在 Code Arena 得分 1587 分，比 Haiku 4.5 的 1330 分提升 257 分，且各分类均有明显进步。相关榜单可在 Code Arena: WebDev（arena.ai/leaderboard/co…）查看。
lmarena.ai(@lmarena_ai)AI 评估 · 72/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 72/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Haiku 5.5 在 Code Arena WebDev 以 1587 分首秀排第 30
Arena.ai 公布 Claude Haiku 5.5 (High) 在 Code Arena: WebDev 的真实评测结果，首秀以 1587 分排在第 30 位，略在帕累托前沿之外，但仍然具备很强的成本效率。
lmarena.ai(@lmarena_ai)AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral Large 4 进入 Agent Arena 榜单前 15 实验室
Mistral Large 4 在 Agent Arena 超过 5000 场真实智能体会话中录得 -6.6% 的净提升分数，位列总榜第 43，比上一版本 Mistral Medium 3.5（-12.60%）高 11 个名次。
LovartAI(@lovart_ai)AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Lovart 对比 Nano Banana 2.1 与 GPT Image 2.5 的人像生成效果
LovartAI 发布 Nano Banana 2.1 与 GPT Image 2.5 的人像生成对比图，称 Nano Banana 2.1 在光影和皮肤质感上大幅领先。
歸藏的AI工具箱AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 47/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Haiku 5.5 对比中国模型：价格更低，Max 和 Team 用户获赠 API 额度
Anthropic 的 Haiku 5.5 定价低于 DeepSeek-V4.1 flash 和智谱 GLM 5.3 flash，在 Terminal Bench 4.0 上比 GLM 5.3 flash 高一分，与其他两个中国竞品相当或更高。Anthropic 还向每个 Max 和 Team 用户赠送对应额度的 API 金额，该 API 可在任何支持输入 API 的产品中使用。
Browser Use(@browser_use)AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 30/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Haiku 5.5 在 Browser Use Bench v2.1 上与 Luna 表现持平，价格却贵 2.8 倍
Haiku 5.5 在 Browser Use Bench v2.1 上跑出与 Luna 相同的性能，但价格是后者的 2.8 倍。Haiku 在上下文超过 100k 后价格再涨 5 倍，且缓存 token 也计入其中；而 BU Bench 2.1 多为极长时程任务，会频繁触及该定价档位。
Cursor(@cursor_ai)AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cursor 公布 Claude Haiku 5.5 定价，Sonnet 5.5 缓存读降至 $0.10/M
Cursor 公布 Claude Haiku 5.5 定价为 $0.10/M 输入与 $0.50/M 输出 tokens，输入超过 100k tokens 后升至 $0.50/M 和 $2.50/M。
Perplexity(@perplexity_ai)AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 29/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 9B 与 0.6B 模型在 Q2D-Web 检索基准上超越 nemotron-embed-8b
在 Q2D-Web 上，约 7 万条生产环境搜索查询、覆盖 1.9 亿篇网页文档的条件下，9B 和 0.6B 模型分别达到 74.8% 和 73.6% 的 Recall @1000，高于 nemotron-embed-8b 的 69.3%。
Mistral AI(@MistralAI)AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 26/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral Large 4 在 Harvey 法律智能体基准 LAB 上位列开源模型第一
在 Harvey 的法律智能体基准 LAB（Legal Agent Benchmark）上，Mistral Large 4 成为排名第一的开源模型（oss model）。该结果由 Mistral AI 公布，评测针对法律领域的智能体任务。
Mistral AI(@MistralAI)AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 37/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral Large 4 在 AutomationBench 上登顶，领先 Kimi K3、DeepSeek V4 Pro
Mistral Large 4 在 AutomationBench 上跑了 657 条业务流程，覆盖 Gmail、Google Sheets、Slack、Salesforce 等模拟办公应用，成绩超过 Kimi K3、MiMo-V2.6-Pro 和 DeepSeek V4 Pro。该基准围绕周一典型工作流设计，四个应用全部纳入测试。
AICodeKingAI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 52/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Mistral Large 4（Le Chonk）实测：它真是最好的开源模型吗？
AICodeKing 对 Mistral Large 4（代号 Le Chonk）进行了完整实测，围绕它是否是目前最好的开源模型展开评测。
lmarena.ai(@lmarena_ai)AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 66/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google Nano Banana 2.1 登陆 LMArena 图像竞技场
Google 的 Nano Banana 2.1 已上线 LMArena 的文生图、图像编辑和多图编辑三个竞技场。它在多图编辑以 1431 分排第 4，文生图以 1328 分排第 5，图像编辑以 1428 分排第 6。
lmarena.ai(@lmarena_ai)AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google Nano Banana 2.1 上线 LMArena 三个图像榜单
Google 的 Nano Banana 2.1 已进入 Text-to-Image Arena、Image Edit Arena 和 Multi-Image Edit Arena 三个榜单。
Justine Moore(@venturetwins)AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Justine Moore 实测 Tavus 新模型 Griffin 的实时交互视频
Justine Moore 实测了 Tavus 引发热议的新模型，认为其在实时交互视频上进步明显，全程无剪辑或加速，一些举止神态真实得令人意外。
OpenRouter(@OpenRouterAI)AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google Nano Banana 2.1 上线 OpenRouter：Flash 速度实现 Pro 级图像生成与编辑
Google Nano Banana 2.1 已在 OpenRouter 上线，以 Flash 速度提供 Pro 级图像生成与编辑。该模型超越此前所有 Nano Banana 版本，在视觉设计、基于蒙版的编辑和主体一致性上有大幅提升。
Aravind Srinivas(@AravSrinivas)AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 35/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Perplexity 在 Hugging Face Decision Index 登顶，模型开放权重
Perplexity 在 Hugging Face Decision Index（决策模型基准）上排名第一。该模型采用开放权重，所有人均可访问。
NVIDIA AI(@NVIDIAAI)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 NVIDIA Nemotron Labs 携手 Artificial Analysis 评测开源模型
NVIDIA Nemotron Labs 与 Artificial Analysis 合作，对开源模型展开评测。相关内容以直播形式发布。
elvis(@omarsar0)AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 flow-1：用 RL 训练、比 GPT-6-sol 便宜 23 倍的 agent trace 错误检测模型
flow-1 是用 RL 训练的新模型，用于在 agent trace 中查找错误，其 trace intelligence 与 GPT-6-sol 相当，但成本低 23 倍，运行成本也比 GPT-6-luna 低 25%。它让监控和理解每一次 agent 运行、且无需采样成为可能。
lmarena.ai(@lmarena_ai)AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 39/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Agent Arena 智能体能力排名：Anthropic 与 OpenAI 领跑各领域
Agent Arena 按解决跨领域实际任务的智能体能力对模型排名，美国实验室在所有领域领先：Anthropic 模型在 Code、Work、Chat 均居第一，OpenAI 的 GPT 6 Astra（Max）在三个类别都进入前四，Code 第 2、Work 与 Chat 均第 4。
新智元AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 57/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Fable 5.5 首测：纯代码生成3分钟人类史短片
外网博主 @imjustnewatai 用 Fable 5.5 输入一句提示词，生成了一部 3 分钟人类数万年进化史短片，把人类发明史压缩成一天 24 小时，从 23:40 的洞穴壁画到 00:00:00 的 2026 年，再以指数速度想象 2031 年之后。
DeepLearning.AI(@DeepLearningAI)AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 56/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GLM-5.3 在 ExploitBench 漏洞利用任务上与 Claude Mythos 接近
据 Anthropic 数据，开源模型 GLM-5.3 解决了 ExploitBench 漏洞利用任务中的 12%，Claude Mythos 解决 14%。本周通讯中还提到，仅花 20.40 美元的 token 就找到了 Google Chrome 的一个近期安全漏洞；Andrew Ng 对担忧这些能力落入坏人之手的人持不同看法，他认为这是工程问题，防御方长期占优。
cohere(@cohere)AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 18/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cohere 用 WMT26 基准测试 North Small Translate
Cohere 使用 WMT26 基准测试其翻译模型 North Small Translate，该基准在模型创建之后才发布，因此模型无法针对其指标进行训练。
智东西AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 58/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 实测 MiniMax M3.1-Flash 前端能力，效果硬刚 Opus 5.5
智东西实测 MiniMax M3.1-Flash 在动效视频、鸡尾酒动画和像素巫师等前端任务上的表现，并与 Claude Opus 5.5 对比，部分细节处理甚至更丰富。M3.1-Flash 基于 M3 系列的 1M 上下文窗口和原生多模态训练路线，能主动补全设计细节并直接交付完整可用的交互成品。该模型国庆前夕上线并开启公测，目前仍处于公测阶段。
meng shao(@shao__meng)AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 19/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Ling-3.1-Flash 实测：蚂蚁百灵 1M 上下文模型一把过 TE 风格信息卡
蚂蚁百灵新一代大模型 Ling-3.1-Flash 在「Teenage Engineering 风格信息卡」提示词测试中一把过，输出效果达标。该模型为 560B/A25B MoE 架构，支持 1M token 上下文，输出速度基本维持在 100+ tokens/s，整个推理生成与校验流程约 2-3 分钟完成。
lmarena.ai(@lmarena_ai)AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 51/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-6.1 Sol (Max) 登榜 Agent Arena 第 5 名并改写帕累托前沿
OpenAI 的 GPT-6.1 Sol (Max) 进入 Agent Arena 榜单第 5 名，成绩提升 11.23%，并改写了帕累托前沿。其单任务成本中位数为 $0.56，性能与 GPT-6 Sol 相差 2 个百分点以内，成本低 39%。
cohere(@cohere)AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Cohere Embed 5 采用 RCP-nDCG @10 新评测方法
Cohere 的 Embed 5 成为首个使用 RCP-nDCG @10 评测的模型家族。这一最新评测方法改进了对真实检索质量的评估，因此 Embed 5 的基准分数看起来与以往不同。
lmarena.ai(@lmarena_ai)AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 55/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Sonnet 5.5 在 Agent Arena 排名第 3，单任务成本 2.74 美元
Claude Sonnet 5.5 在 Agent Arena 排名第 3，单任务中位成本 2.74 美元，净提升分数 +12.5%。Claude Opus 5.5 排名第 2，单任务成本 1.58 美元且得分更高，这一权衡使 Sonnet 5.5 未能进入 Agent Arena 的帕累托前沿。
lmarena.ai(@lmarena_ai)AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 62/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Claude Sonnet 5.5 在 Agent Arena 首次登榜第 3
Arena.ai 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首次登榜即排名第 3，净提升 +12.5%，比排名第 13 的 Claude Sonnet 5 (High)（+4.4%）高出 8.1 个百分点。
lmarena.ai(@lmarena_ai)AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 46/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 本周 Arena 榜：GPT-6.1 Sol、Sonnet 5.5、Gemini 4 Argon、MiMo-V2.6-Pro 四款发布重塑 Text、Code 与 Agent 竞技场帕累托前沿
OpenAI DevDay 后 GPT-6.1 Sol (Max) 进入 Code Arena: WebDev 排第 3，以 $8/MToken 进入帕累托前沿；同日 Sonnet 5.5 上榜后 Sol 降至第 4 并跌出前沿，Sonnet 现以低 80% 成本落后第 2 名 GPT-6 Astra (Max) 2 分。
爱范儿AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 64/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 和 Opus 5.5 同题交卷，MiniMax M3.1 让 Flash 开始超纲了
作者在 MiniMax Code 里沿用 Claude Opus 5.5 公开案例的提示词，用 MiniMax M3.1 Flash Preview 同题生成动态设计作品集。
Browser Use(@browser_use)AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 23/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 GPT-6.1 Sol 在浏览器任务上表现惊艳，Browser Use Bench 2.1 得分超 Astra
GPT-6.1 Sol 在 Browser Use Bench 2.1 上跑出该基准测得的最高分，超过 Astra，估算成本低 7.8 倍。其便宜的原因是 95% 的提示词 token 被缓存，而缓存 token 单价是 Astra 的 1/10。Opus 5.5 与 Grok 4.7 得分更低且成本更高。
Varun Mohan(@_mohansolo)AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 43/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Gemini 4 Argon 在 AA Coding Agent Index 表现亮眼
Gemini 4 Argon 在 AA Coding Agent Index 上使用 Antigravity harness 取得不错成绩，不过真实世界使用情况更为重要。发布者表示后续还有更多进展。
The Rundown AI(@TheRundownAI)AI 评估 · 73/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 73/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 Google 发布 Gemini 4 Argon，19 项基准中 13 项登顶
Google 发布 Gemini 4 Argon，在 Google 公布的 19 项基准中拿下 13 项第一，对比对象为 GPT-6 Astra 和 Claude Opus 5.5。