Artificial Analysis（@ArtificialAnlys）发布 Intelligence Index v4.3：将 Terminal-Bench 从 2.1 升至 4.0（改用 mini-SWE-agent），并以与 Zapier 合作的 AutomationBench-AA（657 条私有业务工作流）替换 τ³-Banking；Claude Fable 5.1 与 GPT-6 Astra 并列领先得分 53，OpenAI 占据多数性价比前沿。
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。
Artificial Analysis 发布预发评测：Fable 5.1 在 max effort 下拿到 Intelligence Index 66，超过 Opus 5（63）、Fable 5（62）、GPT-5.6 Sol（61）与 Grok 4.6（61）。尽管缓存读价从 1 美元砍到 0.25 美元/百万 Token，因输出 Token 约多 1.7 倍，单任务成本约 3.76 美元，仍比 Fable 5 高约 20%；xhigh effort 可得 65 分、约 2.72 美元/任务。
CoArena（@coastyai，YC S26）发布 CUA KnowledgeBench（Real Company Work）：12 小时跨度、10 个私有真实任务 × 5 个种子、覆盖 100+ 应用，以工作产物通过/失败判定。其花费逾 5 万美元跑前沿模型；Claude Fable 5.1 在 50 次十二小时运行中解决 12 次（24%），GPT-6 Astra 勉强进入前三。下一步将投入逾 20 万美元扩展到 1/3/7 天跨度。
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