阿里通义（@Alibaba_Qwen）发布 E-Commerce Bench，面向长程自主商务运营：智能体起步资金 10 万元人民币，在真实电商数据驱动的市场中经营网店 365 天，覆盖采购、议价、定价、促销、库存与现金流。评测含 6886 商品、576 供应商（含 152 欺诈商）与七维打分，并开源博客、论文、项目页与代码。
LMArena（@arena）评测显示，通义 Qwen3.8-Max-0902 以 1691 分登顶 Code Arena: WebDev 总榜，高出 Claude Opus 5（Max）约 3 分、Kimi K3（Max）约 17 分，并比前代 Qwen3.8-Max 高约 22 分。按约 5 美元/百万 Token 综合价，它同时占据当前最高分的 Pareto 前沿位置，在数据分析与消费产品等子类也名列前茅。
Artificial Analysis 发布 Intelligence Index v4.2：新增私有 agentic 知识工作评测 AA-Briefcase 与长文档 GDP.pdf，提高 held-out 权重并改进打分基建，下线已饱和的 GPQA Diamond。排行上 Anthropic Claude Fable 5.1 居首，OpenAI GPT-6 Astra 次席并较 GPT-5.6 Sol 提升约 4 分；Astra 在输出 token Pareto 上表现突出。面向开发者选型与成本效率对比的权威中期基准更新。
SemiAnalysis 在 AgentX（面向多轮长上下文智能体负载的基准）上指出，新的 AMD MI355x 提交在较低交互性区间的总拥有成本（tokens per $ TCO）上击败 B300，并点名 vLLM、AMD 与 LMCache 工程团队。对选型推理硬件与 agentic serving 栈有参考价值。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察