Artificial Analysis@ArtificialAnlys精选AI 评分6767推荐理由：第三方评测给出 GPT-6.1 Sol 与多款前代模型的具体成本对比数字，读者可据此评估 OpenAI 模型的性价比变化。
#评测/基准
#评测/基准
今日 12 条- Artificial Analysis@ArtificialAnlys精选AI 评分6767
- Artificial Analysis@ArtificialAnlysAI 评分3131
- Artificial Analysis@ArtificialAnlysAI 评分4444
Artificial Analysis 数据显示，GPT-6.1 Sol 的每任务成本比 GPT-6 Sol 低约 30%，而 GPT-6 Sol 本身成本已约为 GPT-5.6 Sol 的一半。
Arena.ai@arenaAI 评分3838- Arena.ai@arenaAI 评分4747引用vivago.ai (HiDream)@vivago_ai
New HiDream models just landed in vivago R1 Studio 🚀 Introducing: • HiDream-O1 Image 2.0 • HiDream-O1 Editing 1.5 • HiDream-O1 Video All three models are now available in vivago R1 Studio - bringing the latest HiDream image generation, editing, and video capabilities directly into your creative workflow. New models. New possibilities. Go make something the internet can’t ignore. 🔥
Karina@karinanguyenAI 评分4040Gemini 4 在 PostTrainBench 上达到 45.3%，是 Gemini 3.1 Pro 的 21.99% 的两倍多，并击败了 GPT-6 Astra 🔥
引用Google DeepMind@GoogleDeepMindIntroducing Gemini 4 Argon – our new frontier model. It’s built for complex workflows across coding, enterprise knowledge work, and cybersecurity defense – rolling out today to a set of trusted testers through our Fairwind Program.
- Karina@karinanguyenAI 评分5050
Gemini 的 PostTrainBench 得分翻了一倍多：21.99%（3.1 Pro）→ 45.3%（4）🔥🚀
引用Sundar Pichai@sundarpichaiLots of discussion out there about our next model(!), so I wanted to give an early look as soon as possible. Introducing Gemini 4 Argon! It shows frontier performance in complex workflows, cyber defense and software engineering. Teams are using it extensively at Google, from coding to quantum computing, great feedback. Here’s a look at the benchmarks:
- Artificial Analysis@ArtificialAnlys精选AI 评分6767
推荐理由：Artificial Analysis 实测显示 Gemini 4 Argon 智能指数追平 GPT-6 Astra 而折扣下成本仅六成，读者可据此比较各家模型性价比。
- Arena.ai@arenaAI 评分3636
- Arena.ai@arena精选AI 评分7171
Arena 宣布 OpenAI 的 GPT-6.1 Sol (Max) 在 Code Arena: WebDev 榜以 1759 分排第 3，混合价格 $8/MToken。
引用OpenAI@OpenAIGPT-6.1 Sol: near-Astra intelligence for a fifth of the price. It’s the most cost-efficient model for its performance available today.
推荐理由：Arena 用自家榜单数据对比 GPT-6.1 Sol (Max) 与前代及竞品的价格性能位置，读者可据此评估其成本效率变化。
dex@dexhorthyAI 评分2020你们发布模型的速度比我跑基准测试还快，但这里是 SCB 在 Sol 6、Opus 5.5 等模型上的最新待定结果（5.5 Max 还在慢慢跑）
- Arena.ai@arenaAI 评分5959
Ideogram 4.5 进入 Image Edit Arena 前 20，总分 1351 分，排名第 18。
引用Ideogram@ideogram_aiIntroducing Ideogram 4.5, the most precise edit model. With each edit, leading models add artifacts, pixel shifts, and color changes. Ideogram 4.5 eliminates artifact buildup, making multi-turn editing possible. Live in Ideogram, the API, and launch partners. Open weights soon.
xAI：News（网页）AI 评分4343 LatchBio 独立评测：Grok 4.6 生物安全监测与对抗性生物任务表现超越所有前沿模型
LatchBio 对 Grok 4.6 的独立评测显示，其在 BioSecBench-Refusal 上拒绝伪装危险任务的表现优于所有受测前沿模型，是唯一在红队拒绝率（59.2%）与常规任务完成率（64.8%）两项指标上均超过 50% 的系统，跨不同 agent harness 平均得分 62.1%。
Fireworks AI（网页）AI 评分5050 Fireworks AI 实测 DeepSeek V4 Pro 在 CyberGym 安全任务上的零拒绝与成本优势
Fireworks AI 用 CyberGym 测评 DeepSeek V4 Pro 0813、Kimi K3、GPT-5.5 和 Claude Opus 4.8，V4 Pro 在 840 个对抗性安全任务中零拒绝、全部产生原生工具调用，进入验证率 97.3%。
Fireworks AI（网页）精选AI 评分6767 Fireworks 实测 DeepSeek V4 Pro 0813：SWE-Bench 达 95.2%，单任务成本约为 Fable 5 的三分之一
Fireworks AI 发布对 DeepSeek V4 Pro 0813 的评测，SWE-Bench Verified 得 95.2%（Fable 5 为 85.4%），SWE-bench 单任务成本 $0.309 对 Fable 5 的 $0.808。
推荐理由：Fireworks 用自家同一套评测对比 DeepSeek V4 Pro 与 Fable 5，给出单模型与 oracle 路由的成本和准确率数据，可作选型参考。
Artificial Analysis 完整文章（网页）精选AI 评分7575 Artificial Analysis 评测 GPT-6 Astra：与 Claude Fable 5.1 并列两大指数第一且成本更低
Artificial Analysis 发布 GPT-6 Astra 基准测试报告，该模型在 Intelligence Index 得 53 分、Coding Agent Index 得 62 分，均与 Claude Fable 5.1 并列第一，且成本分别约为其 40% 和 60%。
推荐理由：原文给出 GPT-6 Astra 在两大指数中的得分、成本和 token 效率数据，可据此比较它与 Claude Fable 5.1 的实际表现。
ARC Prize：官方博客精选AI 评分6868 ARC Prize 测评 OpenAI o1 在 ARC-AGI-Pub 的表现
ARC Prize 用同一基线测试框架实测 OpenAI o1-preview 和 o1-mini：o1-preview 在 ARC-AGI 公开评测得 21.2%，与 Claude 3.5 Sonnet（21%）相当，但单任务平均耗时 4.2 分钟，约为 Sonnet 的 10 倍，400 道公开题共花 70 小时，而 GPT-4o 和 Sonnet 只需 30 分钟。
推荐理由：ARC Prize 用同一测试框架给出 o1 在 ARC-AGI-Pub 的基线分数和耗时对比，并分析了测试时计算扩展的效率问题。
ARC Prize：官方博客精选AI 评分8585 ARC Prize 公布 OpenAI o3 在 ARC-AGI-Pub 上取得突破性高分
OpenAI 新版 o3 在 ARC-AGI 半私评测集上以 1 万美元算力上限取得 75.7%，高算力（172 倍）配置得分 87.5%，成为公共榜首。
推荐理由：官方测试方披露了 o3 各算力档的得分与每任务成本，并给出对其程序搜索机制的独立分析。
ARC Prize：官方博客精选AI 评分6969 ARC Prize 实测 o3 与 o4-mini 在 ARC-AGI 上的表现
ARC Prize Foundation 发布 o3 和 o4-mini 在 ARC-AGI 上的首次公开评测：o3-medium 在 ARC-AGI-1 Semi Private Eval 得 53%，o4-mini-medium 得 42%，两者在 ARC-AGI-2 上均低于 3%。
推荐理由：ARC Prize 官方实测给出了 o3 与 o4-mini 在 ARC-AGI 两代基准上的准确率、成本和 high 推理不完整覆盖的数据细节。
Every：最新文章（网页）AI 评分5252 Vibe Check 评测：GPT-6 Astra 升级明显但仍有坏习惯，Anthropic Fable 在搭建产品上直觉更好
Every 发布对 GPT-6 Astra 的 Vibe Check 评测，认为它是大幅升级，写作、软件操作和视觉设计表现令人印象深刻，但也存在一些坏习惯。
Every：最新文章（网页）AI 评分3030 GPT-6 Sol 与 Claude Opus 5.5 对比：两个模型，一个明确的取舍
OpenAI 的 GPT-6 Sol 与 Anthropic 的 Claude Opus 5.5 同日发布，Every 基于日常工作的实测与评测对两者做了对比，结论是存在一个明确的取舍。该对比旨在回答该用 Sol 6 还是 Opus 5.5 的问题，完整内容需订阅阅读。
Artificial Analysis 完整文章（网页）精选AI 评分6868 Artificial Analysis 评测 Grok 4.7：智能指数升至 46，编码 Agent 指数超越 GPT-5.6 Sol
Artificial Analysis 评测 Grok 4.7（xhigh），在 Intelligence Index 得 46 分（较 Grok 4.6 +2），使 SpaceXAI 进入前四。
推荐理由：独立评测给出了 Grok 4.7 在智能指数与编码 Agent 指数的具体得分、排名变化和 token 用量，可用于对比选型。
Artificial Analysis 完整文章（网页）精选AI 评分8484 Claude Opus 5.5 登顶 Artificial Analysis Intelligence Index 并降价 20%
Anthropic 发布 Claude Opus 5.5，以 58 分登顶 Artificial Analysis Intelligence Index，为该榜已测最高分。
推荐理由：第三方实测给出指数得分、价格变化和各档位性价比位置，读者可据此对比 Opus 5.5 与 GPT-6 Astra 等模型的表现。
Artificial Analysis 完整文章（网页）精选AI 评分7676 Artificial Analysis 评测 GPT-6 Sol 与 Luna：成本减半、智能指数持平
Artificial Analysis 评测 GPT-6 Sol 和 Luna，两者价格较 GPT-5.6 减半，Intelligence Index 持平，Sol 编码指数升 2 分至 57，Luna 降 2 分至 41。
推荐理由：原文以统一基准实测两款新模型的成本与能力变化，读者可据此判断价格减半后智能与编码表现的取舍。
Artificial Analysis 完整文章（网页）精选AI 评分7878 Claude Sonnet 5.5 登上 Artificial Analysis 智能指数第 2 名，token 用量创测量新高
Anthropic 发布 Claude Sonnet 5.5，在 Artificial Analysis 智能指数得分 56（max 档较 Sonnet 5 提升 18 分），仅次于 Opus 5.5 (max)。
推荐理由：原文给出 Sonnet 5.5 在智能指数、token 用量和成本上的具体数据，读者可据此对比其与 Opus 5.5 和 GPT-6 系列的实际取舍。
- Artificial Analysis@ArtificialAnlysAI 评分4242
Elon Musk@elonmuskAI 评分2626引用X Freeze@XFreezeGrok 4.7 xHigh ranks #1 in Artificial Analysis Cyber Index It's a powerful frontier model performing at the highest level in enterprise cyber defense Outperforming Fable 5.1 Max, Opus 5.5, Astra 6, GPT-6 and other leading AI systems
- Artificial Analysis@ArtificialAnlys精选AI 评分7575
推荐理由：独立评测方给出智能指数、每任务成本与 token 效率数据，读者可据此比较 GPT-6.1 Sol 与 Astra 的性价比定位。
- Arena.ai@arena精选AI 评分7878引用Claude@claudeai
Introducing Claude Sonnet 5.5, the second model in the Claude 5.5 family. It’s a clear upgrade over Sonnet 5, runs more than 30% faster, and costs up to 30% less for most work.
推荐理由：Arena 的实测榜单数据显示该模型以约 1/5 的成本进入 WebDev 前四，读者可据此权衡性价比选型。
- Arena.ai@arenaAI 评分66
- Arena.ai@arenaAI 评分4949
OpenAI 的 GPT-6 Luna (Max) 进入 Agent Arena 帕累托前沿，净提升 +1.59%，中位成本仅 $0.05/任务。
引用Arena.ai@arenaGPT-6 Luna (Max) by @OpenAI is #23 in Agent Arena with +1.6% net improvement across 8K real-world agentic sessions from our global community of users. Although GPT-6 Luna (Max) did not land on the Agent Arena Pareto frontier, it remains a cost-efficient model. Its $0.05 median cost per task is 94% lower than GPT-6 Sol (Max) at $0.82 and 98% lower than GPT-6 Astra (Max) at $2.59. Its net-improvement score also comes within 0.09 percentage points of #22 GPT 5.5, while costing 91% less than its $0.56 median cost per task. This release is a six-place point-rank move over GPT-5.6 Luna (xHigh), at -0.9% and #29! By signal, GPT-6 Luna’s clearest gains over GPT-5.6 Luna are in: - Confirmed Success: #17 (+4.6%) vs. #33 (-4.6%) - Bash Recovery: #21 (+4.2%) vs. #27 (+2.2%) Congrats to the @OpenAI team on this release!
Simon Willison 博客AI 评分7474 Anthropic 发布 Claude Sonnet 5.5，速度提升 30% 以上
Anthropic 发布新模型 Claude Sonnet 5.5，官方称其运行速度快 30% 以上，多数工作成本最多降低 30%，定价与 Sonnet 5 相同但在各项基准上均优于 Sonnet 5。
The Decoder：AI News（RSS）精选AI 评分8282 Anthropic 发布 Claude Sonnet 5.5，基准接近 Opus 5.5 且单任务成本最多低 30%
Anthropic 发布 Claude 5.5 家族第二款模型 Claude Sonnet 5.5，输出速度提升超过 30%，单任务成本最多降低 30%，在多项基准上接近 Opus 5.5。
推荐理由：对比 Sonnet 5.5 与 Opus 5.5、Sonnet 5 的基准与定价，可看清中端模型在编码任务上的跃升与成本取舍。
- Artificial Analysis@ArtificialAnlysAI 评分5656
- Artificial Analysis@ArtificialAnlysAI 评分4747
Boris Cherny@bcherny精选AI 评分7070引用Claude@claudeaiIntroducing Claude Opus 5.5, the first model in our new Claude 5.5 family. It performs at the level of Claude Fable 5.1 for most tasks, and costs 40% less to run than Opus 5.
推荐理由：作者实测对比 Opus 5.5 与 Fable 5.1 移植 HAProxy 的用时和成本，给出第一手数据供选型参考。
elsewhere：文章（RSS）AI 评分6868 阶跃 Step 5 Preview 实测评测：数据可视化与金融分析亮眼，泛化和审美仍有短板
阶跃发布 Step 5 Preview，总参数量 600B、激活参数 27B，有视觉输入，官方称在 Artificial Analysis 上涨 44 分、单任务成本仅为 Claude Opus 5 的 1/8。作者与友人实测发现其在数据可视化、金融分析上表现不错，但泛化性、领域知识和审美偏弱，思考过程过长导致长任务耗时且易中断，且长上下文下安全指令遵循可被绕过。
Xiaomi MiMo@XiaomiMiMoAI 评分4040引用Design Arena@DesignArenaBREAKING: MiMo-V2.6-Pro by @XiaomiMiMo lands at #8 overall (#3 open-weight) on Design Arena with an Elo of 1338. This is an impressive 54-point and 22-position increase from MiMo-V2.5-Pro. MiMo-V2.6-Pro also reaches #4 overall in Website (#2 open-weight) and #6 overall in Agentic Frontend Development (#2 open-weight), showing strong performance across both direct generation and agentic coding. This places @XiaomiMiMo's new model among leading models such as GPT-5.6 Sol by @OpenAI, Claude Opus 5 by @Anthropic, and Kimi K3 by @MoonshotAI. Congratulations to the @XiaomiMiMo team on returning to a top-10 placement on Design Arena!
Epoch AI@EpochAIResearchAI 评分3232