Artificial Analysis@ArtificialAnlys精选AI 评分6969
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。
内容类型
评测基准 最新动态
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
229 条精选近 30 天 49 条共收录 1,553 条
更新
精选归档 · 第 3 页
- Artificial Analysis@ArtificialAnlys精选AI 评分6969
Arena.ai@arena精选AI 评分6969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。
- Arena.ai@arena精选AI 评分7171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。
- Artificial Analysis@ArtificialAnlys精选AI 评分6666
推荐理由：原文拆解了 GPT-6.1 Sol 成本下降的具体构成，读者可以据此对比不同代际模型的实际任务开销。
- Arena.ai@arena精选AI 评分7979
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。
- Arena.ai@arena精选AI 评分7070引用OpenAI@OpenAI
GPT-6.1 Sol：以五分之一的价格提供接近 Astra 的智能。 它是当今可用的、在其性能水平上最具成本效益的模型。
推荐理由：评测方公布了 GPT-6.1 Sol (Max) 的排名和价格数据，读者可以据此比较它在成本与性能权衡中的位置。
Artificial Analysis 完整文章精选AI 评分6464 Artificial Analysis 开源 AA-AgentPerf-Local，测试笔记本与工作站上本地 AI 智能体推理性能
Artificial Analysis 发布开源工具 AA-AgentPerf-Local，通过重放 8 个真实智能体任务（168 轮、上下文增长至约 56K tokens）测试本地推理性能，并上线笔记本与工作站排行榜。
推荐理由：原文给出四种桌面级硬件和四个模型的智能体推理实测结果与全部开源配置，可帮读者在搭建本地 agent 前做选型比较。
OpenRouter：Announcements精选AI 评分6262 OpenRouter 教程：如何测试 AI Agent 的工具调用准确性
OpenRouter 发布教程，讲解如何测试 AI Agent 的工具调用准确性，将失败拆分为工具选择错误和参数错误两类分别测试。
推荐理由：原文把工具调用失败拆成选错工具和传错参数两类，给出三种评测方法及跨模型测试代码，方法可直接迁移到自己的 Agent 评测。
Artificial Analysis 完整文章精选AI 评分6969 GPT-6.1 Sol 发布 7 天后接替 GPT-6 Sol，智能指数距 GPT-6 Astra 仅 1 分
OpenAI 发布 GPT-6.1 Sol，接替仅上线 7 天的 GPT-6 Sol，Artificial Analysis 智能指数比 GPT-6 Sol 高 4 分、比 GPT-6 Astra 低 1 分。
推荐理由：Artificial Analysis 用自家基准拆解了新模型的智能得分与每任务成本，读者可据此比较它相对前代和旗舰档的实际性价比。
- Arena.ai@arena精选AI 评分8484引用Claude@claudeai
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：原文给出实测榜单名次、分数与价格对比，读者可以据此评估该模型在成本与性能间的实际位置。
- Arena.ai@arena精选AI 评分6767
推荐理由：基于 1,460 场真实对战和 34,580 条裁决的实测数据，读者可以据此校准对 LLM-as-a-judge 评测结果的信任程度。
- Arena.ai@arena精选AI 评分7777引用OpenAI@OpenAI
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 完整文章精选AI 评分8080 Claude Sonnet 5.5 达到 Artificial Analysis 智能指数第 2 名
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引用Claude@claudeai
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。
- Arena.ai@arena精选AI 评分7575
Arena 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)。
引用Arena.ai@arena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。
Epoch AI：Gradient Updates精选AI 评分6767 Epoch AI 测算：AI 达到给定基准成绩的价格每年下降 13 倍，快于历史上任何变革性技术
Epoch AI 测算过去五年达到给定基准分数的AI价格每年下降约 13 倍，比 DNA 测序、算力和锂电池的降价速度快 4 至 18 倍。例如 o3 以平均每题 30 美分在 GPQA Diamond 得到 75%，约 18 个月后 GPT-5.6 Luna 以每题 $0.0004 达到同样分数，降幅 725 倍。作者提示基准价格是市场实际成本的间接代理，数据与代码已在 GitHub 公开。
推荐理由：原文用五个基准测算了AI性能价格随时间的下降速度，并与其他技术的历史降价曲线对比，数据与代码公开可查。
- Arena.ai@arena精选AI 评分7878
推荐理由：原文给出具体排名、分数差和混合价格，读者可据此比较 Claude Opus 5.5 与前代的性价比位置。
- Arena.ai@arena精选AI 评分6767
Arena 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。
引用Arena.ai@arenaGPT-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。
- Arena.ai@arena精选AI 评分7979引用Claude@claudeai
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：原文给出了 Code Arena: WebDev 具体分数和领先幅度，读者可以据此比较 Opus 5.5 与其他模型的表现和性价比。
- 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。