跳到正文
#评测/基准
10月6日周二
  1. Artificial Analysis57

    Reflection 发布开源智能体模型 Beam，总参数 501B、激活 23B，从零端到端训练，完整权重将于本月开放，官方称其在编码与智能体任务上推进西方开源前沿。Artificial Analysis 获 Reflection 提供访问并开始独立基准测试，早期指标显示 Beam 在同等智能水平下 token 效率突出。

    引用Reflection@reflection_ai

    Introducing Beam: a highly efficient agentic open model with 501B total parameters and 23B active. - Frontier reasoning efficiency - Advances the Western open frontier on coding & agentic tasks - Trained end-to-end from scratch Full weights release this month. Learn more about Beam: http://reflection.ai/beam

  2. SemiAnalysis 长文 RSS71

    SemiAnalysis 测算：Anthropic 订阅的 API 等价价值约为 OpenAI 的 5 倍以上

    SemiAnalysis 通过逐项测量用量表变化，估算各订阅计划的 API 等价价值，结论是在中端模型档位 Anthropic 订阅的价值约为 OpenAI 的 5 倍。

    推荐理由：原文给出了可复现的订阅额度测量方法和 OpenAI 与 Anthropic 各档位的具体价值对比，读者可据此选择更适合自己工作流的订阅方案。

10月5日周一
10月4日周日
  2. Hugging Face 社区博客65

    Microsoft ThinkingBox 在 Hugging Face 上发布，以数据库终态和 20 次重复评测智能体

    Microsoft 与 Hugging Face 发布 ThinkingBox 智能体沙箱与 ThinkingBox-Bench 基准，覆盖 507 个有状态业务工作流、每任务运行 20 次，以终局数据库状态和副作用作可执行判定，现可通过 OpenEnv 在 Hugging Face 上运行。

    推荐理由：原文用数据库终态加 20 次重复评测智能体，给出一致性保留率、失败签名和可复现的运行方式，值得关注记录型工作流的可靠性评估。

10月3日周六
  8. Arena.ai73

    Arena 宣布 OpenAI 的 GPT-6.1 Sol (Max) 在 Agent Arena 排名第 5（+11.23%），中位任务成本 $0.56，并重塑了 Pareto 前沿。

    引用Arena.ai@arena

    激动人心的消息：@OpenAI 的 GPT-6.1 Sol (Max) 刚刚在 Code Arena: WebDev 上以 1759 分位列第 3，并且以每百万 Token 8 美元的混合价格重塑了帕累托前沿！ GPT-6.1 Sol (Max) 在成本效率上实现了明显提升：在相同价格下，它比 GPT-6 Sol (Max) 提高了 70 分。 它与 GPT-6 Astra (Max) 的差距在 30 分以内，而混合 Token 成本低了 80%；与 Claude Opus 5.5 (Max) 相差 59 分，而价格只有其 50%。在下方的帖子中查看 Code Arena: WebDev 帕累托前沿上的位置。 总体而言，GPT-6.1 Sol 相比 GPT-6 Sol 提升了 4 个排名！它在每个类别中也有所提升： - 消费产品：第 5 → 第 1 - 模拟：第 6 → 第 3 - 数据与分析：第 4 → 第 3 - 内容创作工具：第 4 → 第 3 - 游戏：第 6 → 第 4 - 基于参考的设计：第 6 → 第 4 - 品牌与营销：第 10 → 第 6 祝贺 @OpenAI 团队发布！

    推荐理由：官方榜单数据给出了 GPT-6.1 Sol (Max) 的排名与成本对比，读者可以据此评估它在智能体任务上的性价比位置。

  10. Arena.ai68

    Arena 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首秀排名 #3，净提升 +12.5%，比 Claude Sonnet 5 (High) 高 8.1 个百分点，并在 Chat 类别以 +15.6% 排名 #1。

    引用Arena.ai@arena

    激动人心的更新：具备 xHigh 推理能力的 Claude Sonnet 5.5 已登陆 Code Arena: WebDev。以 1786 分位列第 3！ 在每百万 token 综合成本 8 美元的情况下，Claude Sonnet 5.5 凭借 xHigh 推理能力依然处于帕累托前沿。此次发布距离以 1788 分位列第 2 的 GPT-6 Astra 仅差 2 分，而价格只有其 80%。 按领域划分，Claude Sonnet 5.5（xHigh）位列： - 在 Gaming、Reference-Based Design 和 Brand & Marketing 中排名第 2 - 在 Simulations 中排名第 3 - 在 Content Creation Tools 和 Consumer Product 中排名第 4 - 在 Data & Analytics 中排名第 6 再次祝贺 @AnthropicAI 发布此版本！

    同一件事，精选收录的是《Arena 评测：Claude Sonnet 5.5 登顶 Agent Arena 第 3 名但未入 Pareto 前沿》

  11. Arena.ai69

    Arena 发布 Agent Arena 最新榜单，Anthropic 的 Claude Sonnet 5.5 以 +12.5% 净提升得分排名第 3，单任务中位成本 $2.74，比排名第 2 的 Claude Opus 5.5（$1.58）高约 73%，且 Opus 5.5 得分更高，因此 Sonnet 5.5 未进入 Agent Arena 的 Pareto 前沿。据引用内容，Sonnet 5.5 在 Chat 类目以 +15.6% 排名第 1，Anthropic 模型包揽 Agent Arena 前三名。

    引用Arena.ai@arena

    激动人心的消息：@AnthropicAI 的 Claude Sonnet 5.5 (Max) 在 Agent Arena 中首次亮相便位列第 3，净提升达 +12.5%！ 此次发布相比 Claude Sonnet 5 (High) 提升了 8.1 个百分点，后者以 +4.4% 的净提升位列第 13。按类别划分，Claude Sonnet 5.5 在 Chat 中夺得第 1 名（+15.6%），高于 Fable 5.1（+11.49%）和 Opus 5.5（+10.29%）。 这一表现伴随着更高的成本：Claude Sonnet 5.5 (Max) 的每任务中位成本为 $2.74，比排名第 2 的 Claude Opus 5.5 (High) 的 $1.58 高出约 73%。 @AnthropicAI 的模型如今占据了 Agent Arena 的前三名。恭喜团队！

    推荐理由：原文基于 Arena 榜单数据指出 Claude Sonnet 5.5 得分高但成本更高、未进 Pareto 前沿，读者可以据此比较成本与性能的取舍。

10月2日周五
  6. Artificial Analysis69

    Artificial Analysis 自行本地部署评测了阿里 9 月 20 日以开源权重发布的 Qwen-Image-2.1，该模型在 AA-Image-T2I v2.0 和 AA-Image-Editing v2.0 上均排名第 18，为两个榜单上排名第一的开源权重模型，超过 Ideogram 4.0（Quality）和 HunyuanImage 3.0 Instruct。

    推荐理由：原文给出了自主评测的榜单排名、参数与授权细节，可与同类开源图像模型直接比较。

  8. Arena.ai69

    Arena 宣布 Xiaomi MiMo-V2.6-Pro 和 MiMo-V2.6-Flash 登陆 Agent Arena。Pro 在 8.1K+ 真实智能体会话中净提升 +3.17%，列开源模型第5，较 MiMo-V2.5-Pro（第13，-7.23%）提升9个名次；其 Confirmed Success 得分 +7.35%，列开源模型第2。

    引用Xiaomi MiMo@XiaomiMiMo

    隆重介绍小米 MiMo-V2.6 —— Pro 与 Flash。 前沿智能，全模态，公开构建。 🔹 两款全模态模型，通过规模化强化学习不断进阶 🔹 在大多数智能体基准测试中，Pro 的表现与 Claude Opus 5 和 GPT-5.6 Sol 不相上下 🔹 Pro 在 Artificial Analysis Intelligence Index 上得分 46 —— 为开源模型中的最高分 🔹 更强的编程、计算机操作、3D 推理与创作能力 🔹 开放模型权重、技术报告、RL 环境与训练代码 博客：https://mimo.xiaomi.com/mimo-v2-6

    推荐理由：Arena 官方给出 MiMo-V2.6 两款模型在真实智能体会话中的排名、净提升和成本数据，可据此比较其实际表现与性价比。

  10. Arena.ai71

    Arena 宣布 Claude Sonnet 5.5（xHigh）进入 Code Arena: WebDev 榜单，以 1786 分排名第 3，距第 2 名 GPT-6 Astra 的 1788 分仅差 2 分。

    引用Arena.ai@arena

    Claude Sonnet 5.5 (High) 由 @AnthropicAI 推出的真实世界结果出炉了。它刚刚以 1699 分在 Code Arena: WebDev 中排名第 #4，并凭借其成本效率重塑了帕累托前沿！ Claude Sonnet 5.5 (High) 以每百万 token 综合 $8 的价格提供了近乎顶尖的性能，重塑了帕累托前沿！该模型比总排名第 #3 的 Claude Fable 5.1 (Max) 和排名第 #2 的 GPT-6 Astra (Max) 都便宜 80%。 见下方帕累托位置。 总体而言，Claude Sonnet 5.5 (High) 相比排名第 #37、得分 1540 的 Sonnet 5 (High) 提升了 +159 分。与其前代变体相比的这一提升目前也体现在以下关键领域： - 基于参考的设计：#38 → #4 - 模拟：#37 → #4 - 游戏：#36 → #4 祝贺 @AnthropicAI 发布！

    推荐理由：原文给出 Claude Sonnet 5.5 xHigh 的具体榜单分数与分项排名，读者可以据此比较它与 GPT-6 Astra 的性价比位置。

10月1日周四
  7. Arena.ai52

    Hidream-O1-Video-1.0 以 1456 分进入 Image-to-Video Arena 排行榜第 7 名，可通过 @vivago_ai 使用。该模型与 gemini-omni-flash 仅差 8 分，与 dreamina-seedance-2.0 和 2.5 的分差在 20 分以内。

    引用vivago.ai (HiDream)@vivago_ai

    New HiDream models just landed in vivago R1 Studio 🚀 Introducing: • HiDream-O1 Image 2.0 • HiDream-O1 Editing 1.5 • HiDream-O1 Video All three models are now available in vivago R1 Studio - bringing the latest HiDream image generation, editing, and video capabilities directly into your creative workflow. New models. New possibilities. Go make something the internet can’t ignore. 🔥

  8. Arena.ai79

    Arena 公布 Gemini 4 Argon (High) 在 Agent Arena 排名第 8，净提升分 +7.92%，每任务成本 $0.62。

    引用Arena.ai@arena

    重大新闻：@GoogleDeepMind 的 Gemini 4 Argon (High) 刚刚以 1525 分在 Text Arena 中排名第 1，并以 1679 分在 Code Arena: WebDev 中排名第 8！ 此次发布以 8 美元/百万 Token 的混合价格重塑了 Text Arena 的帕累托前沿！Gemini 4 Argon (High) 现在是成本效率最高的模型，请在下方查看其在帕累托前沿上的位置。 在 Text Arena 中，Gemini 4 Argon (High) 在 Coding、Hard Prompts、Instruction Following、Longer Query 和 Creative Writing 中排名第 1。它还在所有评估的职业领域中领先，并在英语、非英语、中文和俄语中额外获得第 1 名。 该模型比排名第 2 的 Claude Opus 4.6 (High) 高出 20 分，相比 Google 上一次发布的 Gemini 3.8 Flash (High)（排名第 11）是一次巨大飞跃！ 在 Code Arena: WebDev 中，Gemini 4 Argon (High) 比 Gemini 3.8 Flash (High) 提升了 96 分，并从第 29 名升至第 8 名。 祝贺 @GoogleDeepMind 团队完成这一令人印象深刻的前沿发布！

    推荐理由：原文给出 Gemini 4 Argon (High) 在 Agent Arena 的排名、净提升分和成本数据，读者可据此评估其智能体任务表现与性价比。