LLM 评测机构 Vals AI 记录 GPT-6 Astra 在 Minecraft 中持续完成复杂长程任务：搭建半自动烈焰人农场、收集烈焰棒并进入诡异森林获取末影珍珠。随后苦力怕炸毁储物箱与床铺，暴露出智能体在关键物品保护和灾难恢复上的工程短板。
Arena 更新 Image-to-WebDev 榜：GPT-6 Astra (Max) 以 1733 分登顶，领先 GPT-5.6 Sol (xHigh) 129 分；Claude Fable 5.1 (Max) 以 1710 分列第二。该榜评测模型从图像到网页开发的交付能力，对新近发布模型给出公开对比。
Specific Labs（@janaksunil）发布 Real-SWE：用真实公司私有、分布外生产代码库上的工程任务评测编码智能体（含 20 万+ 用户应用、金融对账、企业销售工具等）。公开榜单（8 次独立运行均值）显示 Claude Fable 5.1 + Claude Code 38.8%、GPT-6 Astra + Codex CLI 33.8%、Gemini 3.8 Flash + Gemini CLI 31.2%，领先者仍未达 40%。站点 realswe.withspecific.com。
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