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。
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。
Arena.ai 官方公布：Anthropic Claude Fable 5.1 (Max) 在 Agent Arena 基于 6.7k+ 真实长程智能体会话登顶，净提升 +15.8%，同时以中位 $4.14/任务改写价格-性能帕累托前沿。赞美 vs 投诉隐式情绪领先 +42.5%，确认成功 +22.4%，Bash 恢复 +13.1%，且无工具幻觉；GPT-6 Astra 轨迹仍在收集中。
LMArena 公布实战结果：OpenAI GPT-6 Astra (Max) 以 1797 分登顶 Code Arena WebDev，领先第二名 Claude Fable 5.1 (Max) 1762 分约 35 分，并高于 Claude Opus 5 (Max) 与 GPT-5.6 Sol (xHigh)。同时在约 $40/Mtoken（与最新 Claude 定价对齐）处重塑质量-价格帕累托前沿，覆盖含多步推理与工具调用的 agentic WebDev 任务。
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