模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
Arena.ai@arena精选AI 评分7777
欢迎 GPT-6 Sol 和 GPT-6 Luna 加入 GPT-6 宇宙。 GPT-6 Sol 和 Luna 建立在 GPT-6 Astra 背后的技术进展之上，将其大部分优势带入更快、更实惠的模型，以支持大规模工作。 我们还提升了缓存和推理效率，并将节省下来的成本直接让利给你：与 GPT-5.6 促销价格相比，Sol 和 Luna 的 API 价格降低了 50%。
推荐理由：Arena 用 8K 真实智能体会话数据给出 GPT-6 Luna (Max) 的排名与成本对比，读者可据此权衡其性价比定位。
Artificial Analysis 发布对 Claude Sonnet 5.5 的评测：其智能指数得分 56，max effort 下比 Sonnet 5 高 18 分，升至第 2 名，仅落后 Opus 5.5 (max)。
推荐理由：Artificial Analysis 实测指出 Sonnet 5.5 逼近 Opus 5.5 依赖约 193k 输出 token，成本细节对选型有直接参考价值。
Arena.ai@arena精选AI 评分6969
隆重推出 Claude Sonnet 5.5，Claude 5.5 家族中的第二个模型。 相比 Sonnet 5 有明显升级，运行速度提升超过 30%，且大多数工作的成本最多降低 30%。
推荐理由：Arena 介绍了其 Agent Arena 的评测方式，读者可以据此理解 Claude Sonnet 5.5 在真实智能体任务上的衡量口径。
Artificial Analysis@ArtificialAnlys精选AI 评分8282
推荐理由：Artificial Analysis 用自家基准拆解了性能与 token 成本的权衡，为选型提供了可对比的量化参考。
Arena.ai@arena精选AI 评分7575Arena 公布 Claude Opus 5.5 (High) 进入 Agent Arena 排名第 2，净改进分 +12.15%，仅次于 Fable 5.1 (Max)。
重磅消息：@AnthropicAI 的 Claude Opus 5.5 (Max) 刚刚在 Code Arena: WebDev 中以 1818 分登顶第一，并重塑了帕累托前沿！这比排名第二的 GPT-6 Astra (Max) 领先了整整 +26 分，相比此前 1692 分的 Opus 5 (Max) 更是大幅提升了 +126 分。 纵观各分类，我们可以看到 Opus 5.5 (Max) 在以下领域均跻身榜首： - 在品牌与营销、基于参考的设计、数据与分析、仿真与游戏领域排名 #1！ - 在消费产品领域排名 #2 随着更多投票的涌入，敬请期待更多领域和分类的洞察结果。 恭喜 @AnthropicAI 发布！
推荐理由：榜单给出了 Claude Opus 5.5 (High) 在 Agent Arena 的排名、价格与分项信号，读者可据此权衡它与 Opus 5 各档的成本与能力变化。
UC Berkeley 团队构建全自动 AI Agent 审计 13 个广泛使用的基准，发现 45 个作弊方案，全部基准被评为 critical 风险，共归纳 16 种攻击类型。
推荐理由：原文给出了13个常用基准的45个作弊方案细节和防范设计原则，读者可以据此检查自己依赖的评测是否可信。
Arena.ai@arena精选AI 评分6767Arena 宣布 OpenAI 的 GPT-6 Sol (Max) 进入 Agent Arena，基于 4K+ 真实智能体会话取得 +7.7% 净改进，排名第 6，中位成本 $0.75/task。
GPT-6 Sol（Max）刚刚登陆 Agent Arena，在我们全球用户社区超过 4K 个真实世界智能体会话中，以 +7.7% 的净提升位列第 6！ 与 GPT 5.6 Sol（xHigh）相比，此次发布在净提升上提高了 +1.5 个百分点（+7.7% 对 +6.2%），点位排名从第 8 升至第 6，而每 token 价格仅为其一半。从信号来看，GPT-6 Sol 在 Confirmed Success 上表现强劲，以 +11.4% 位列第 4，而 5.6 则以 2.9% 位列第 20。 祝贺 @OpenAI 团队发布 GPT-6 Sol！
推荐理由：榜单方基于四千多场真实智能体会话给出成本与得分对比，读者可据此权衡 GPT-6 Sol (Max) 在性价比上的位置。
Artificial Analysis@ArtificialAnlys精选AI 评分6868
推荐理由：原文给出 Opus 5.5 在三项编码评测的具体分数、token 用量和任务成本，读者可以据此权衡性能与价格。
Artificial Analysis@ArtificialAnlys精选AI 评分7070
推荐理由：原文给出智能指数与单任务成本的 Pareto 前沿新点位和具体分数价格，可用于横向比较各家模型性价比。
Arena.ai@arena精选AI 评分7575
欢迎 GPT-6 Sol 和 GPT-6 Luna 加入 GPT-6 宇宙。 GPT-6 Sol 和 Luna 建立在 GPT-6 Astra 背后的技术进展之上，将其大部分优势带入更快、更实惠的模型，以支持大规模工作。 我们还提升了缓存和推理效率，并将节省下来的成本直接让利给你：与 GPT-5.6 促销价格相比，Sol 和 Luna 的 API 价格降低了 50%。
推荐理由：原文给出真实投票榜单的排名、价格和多分类变化，可以据此比较 GPT-6 Sol 在性能与成本上的位置。
METR 发布对 Claude Opus 5.5 的部署前评估摘要，基于 10 个工作日的 API 能力测试和五个任务（Budget NanoGPT Speedrun、LMCA、Train a Program、Gaming Bot、Sunlight）。
推荐理由：METR 作为第三方评估方给出了 Claude Opus 5.5 在 AI 研发加速上的量化结论，读者可据此了解部署前评估的证据基础与判断边界。
Artificial Analysis 评测 OpenAI 的 GPT-6 Sol 和 Luna，两模型价格较 GPT-5.6 约减半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token。
推荐理由：Artificial Analysis 用自家指数实测两代模型的成本与表现，读者可据此判断 GPT-6 降价后哪些能力持平或退步。
Arena.ai@arena精选AI 评分7272
隆重推出 Claude Opus 5.5，这是我们全新的 Claude 5.5 系列中的首个模型。 在大多数任务上，它的表现达到了 Claude Fable 5.1 的水平，而运行成本比 Opus 5 低 40%。
推荐理由：Arena 官宣 Claude Opus 5.5 上架 Agent Arena 和 Battle Mode，读者可以参与投票影响排行榜结果。
Artificial Analysis 实测 Claude Opus 5.5 在 Intelligence Index 得分 58，为其测得的最高分，并在 Terminal-Bench 4.0 上与 GPT-6 Astra 打平（59.6%）。
推荐理由：原文给出 Claude Opus 5.5 在 Intelligence Index 及各分项评测的完整数据和定价变化，读者可据此比较智能与任务成本。
OpenRouter 用 Banking77 测试集的 3,080 条客服语料对比 Jev 1.13 与 Claude Opus 5 的意图分类表现。Jev 准确率 81.0% 比 Opus 的 84.4% 低 3.3 个百分点，但中位延迟 175 ms 约为 Opus（2,266 ms）的 1/13，每千次请求成本 $0.11 对 $2.42（启用提示词缓存）。
推荐理由：原文用同一测试流程给出两家模型的准确率、延迟与成本数据，并演示了基于置信度的级联路由方法，便于读者按自身流量权衡选型。
作者实测同日凌晨发布的 Grok 4.7 与小米 MiMo V2.6，认为 Grok 4.7 低于预期，MiMo V2.6 成为性能、价格、速度三角的当前版本答案。
推荐理由：作者亲手测试并给出价格、速度和基准对比，读者可以据此评估小米 MiMo V2.6 对自身工作流和成本的实际影响。
Artificial Analysis@ArtificialAnlys精选AI 评分6565
推荐理由：Artificial Analysis 实测 Step 5 Preview 的得分、成本与智能体短板，读者可据此对比同分段模型的表现与性价比。
Artificial Analysis 发布 Grok 4.7 评测，Grok 4.7（xhigh）智能指数得 46 分，较 Grok 4.6 高 2 分，使 SpaceXAI 进入前四；搭配 Grok Build 的编码智能体指数从 47 升至 56，仅次于 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5。
推荐理由：评测方给出 Grok 4.7 在多项基准的具体分数、token 消耗与对比对象，读者可据此判断其真实水平与成本。
OpenRouter 对其路由的 20 个图像生成模型用相同提示词实测计费，单张图片成本在 $0.006 到 $0.134 之间，相差 22 倍。
推荐理由：OpenRouter 用同一提示词实测 20 个图像生成模型的真实计费，读者可以借此绕开各不相同的计价单位直接比较成本。
TypeSafe AI 推出专注高频决策的大模型 Jev，不做对话和文字生成，只输出判断，速度比传统大模型快20～200倍，成本0.042美元/百万Token且输出Token免费。作者实测预筛任务中Jev准确性第二且更便宜，在并行判断任务上达到最高准确率和最快速度；模型采用RLCD训练方法优化决策校准，可在官网 https://typesafe.ai/ 申请资格，Vercel 已首发接入。
推荐理由：作者用自己的预筛和并行判断任务实测了Jev与多个模型的准确率、速度和成本，读者可以据此判断这类只做决策的模型适合什么场景。