Vals AI 发布 MysteryMechanism 基准，测试智能体能否通过有限实验从零还原被封存的科学数学机制。GPT-6 Astra 以 53.2% 准确率领先，Claude Fable 5.1 为 47.8%、Claude Opus 5 为 37.4%；Astra 单测约 1.77 美元，约为亚军 Fable 5.1（5.63 美元）的三分之一。
Vals AI 发布 Terminal-Bench 4.0：66 道全新终端任务（交付服务、证明定理、训练 GPU kernel、写取证报告等），专家预估中位耗时约 4 小时，严格 verifier 全过才计分，分数为 avg@3。GPT-6 Astra 以 57.1% 夺冠，领先 Claude Fable 5.1（49.5%）7.6 个百分点、Claude Opus 5（45.5%）11.6 个百分点；其余模型均未过 30%，14/27 个模型在硬件与媒体域得零分。4.0 覆盖软件、科学、ML、运维、硬件、安全、媒体七类，约四分之三任务已超出传统软件工程。
LMSYS Arena 更新 Code Arena: WebDev 排行：OpenAI GPT-6 Astra (Max) 以 1800 分位列第一，Anthropic Claude Fable 5.1 (Max) 以 1758 分居次。匿名对战胜率显示 Astra 相对多数模型占优，对 GPT-5.6 Sol (xHigh) 胜率约 72.5%。
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。
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