<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>评测 on Sutdown</title><link>https://sutdown.github.io/categories/%E8%AF%84%E6%B5%8B/</link><description>Recent content in 评测 on Sutdown</description><generator>Hugo -- gohugo.io</generator><language>zh-cn</language><lastBuildDate>Sun, 22 Nov 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://sutdown.github.io/categories/%E8%AF%84%E6%B5%8B/index.xml" rel="self" type="application/rss+xml"/><item><title>模型评测</title><link>https://sutdown.github.io/p/%E6%A8%A1%E5%9E%8B%E8%AF%84%E6%B5%8B/</link><pubDate>Sun, 22 Nov 2026 00:00:00 +0000</pubDate><guid>https://sutdown.github.io/p/%E6%A8%A1%E5%9E%8B%E8%AF%84%E6%B5%8B/</guid><description>&lt;p&gt;模型评测常被简化成一个问题：哪个模型最强。这个问题在 2026 年已经很难有单一答案。同一时期，Claude Fable 5.2 在 Artificial Analysis 的 Intelligence Index 上以 65 分位列第一，在 Arena 文本榜上却以 1478 分排第 26，落后榜首 61 分。两个数字都不算错，它们测量的是不同的对象。&lt;/p&gt;
&lt;p&gt;本文先界定模型评测的对象与数据来源，再逐家对照 Claude、OpenAI、Google、DeepSeek 最新模型的发布数据与实际表现，最后给出当前的能力分布与性价比判断。&lt;/p&gt;
&lt;h2 id="一模型评测的对象"&gt;&lt;a href="#%e4%b8%80%e6%a8%a1%e5%9e%8b%e8%af%84%e6%b5%8b%e7%9a%84%e5%af%b9%e8%b1%a1" class="header-anchor"&gt;&lt;/a&gt;一、模型评测的对象
&lt;/h2&gt;&lt;p&gt;模型评测至少包含三类互不替代的对象。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;对象&lt;/th&gt;
&lt;th&gt;测量方式&lt;/th&gt;
&lt;th&gt;能回答的问题&lt;/th&gt;
&lt;th&gt;主要失效方式&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;能力&lt;/td&gt;
&lt;td&gt;静态基准，固定题库&lt;/td&gt;
&lt;td&gt;覆盖范围内答对多少&lt;/td&gt;
&lt;td&gt;饱和、污染、题型偏离真实任务&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;偏好&lt;/td&gt;
&lt;td&gt;成对盲投，BT 拟合&lt;/td&gt;
&lt;td&gt;短期回答里人类偏好哪个&lt;/td&gt;
&lt;td&gt;长度与格式偏差、投票者与使用者不同&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;可靠性&lt;/td&gt;
&lt;td&gt;端到端任务，查系统状态&lt;/td&gt;
&lt;td&gt;能否把一件事完整交付&lt;/td&gt;
&lt;td&gt;任务构造偏向出题方的产品形态&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;三者量纲不通约：能力分是指数或百分比，偏好分是 Bradley-Terry 系数，可靠性是相对基线的净提升。能力可以复现，但只在题型覆盖范围内有效；偏好反映表达方式与答案风格的综合印象，不是解题正确率；可靠性关心能否交付，一个把代码写对却落到错误分支的 agent，在能力测试里拿分，在可靠性测试里失败。把三种数字放进同一张表排名，问题出在起点，不在数值。&lt;/p&gt;
&lt;p&gt;名次本身还依赖统计前提。Arena 自 2024 年 1 月起改用全量 BT 拟合，媒体所说的「Elo 分」实为 BT 系数，分差与胜率的换算如下。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;分差&lt;/th&gt;
&lt;th&gt;高者的胜率&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;10&lt;/td&gt;
&lt;td&gt;51.4%&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;50&lt;/td&gt;
&lt;td&gt;57.1%&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;100&lt;/td&gt;
&lt;td&gt;64.0%&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;榜单上两个模型相差十几分，落在置信区间内时不足以支撑排名叙事。&lt;/p&gt;
&lt;p&gt;数据来源分三层，各自回答不同的问题：厂商自报用于确认代际提升与配置口径，独立第三方用于确认自报值是否偏离，自己的任务集用于确认这笔钱值不值。第三层最常被跳过，而它恰好是唯一能回答「换成我的任务会怎样」的证据——厂商测的是平均分，用户用的是长尾。所以自建集是绕不开的，最小做法三件事。&lt;/p&gt;
&lt;ol&gt;
&lt;li&gt;&lt;strong&gt;建金标集。&lt;/strong&gt; 从调用日志里抽 50 至 200 条真实请求，人工标注可判定的期望结果。不必追求覆盖，追求能分出对错，且每次运行都是同一批样本。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;统一成本口径。&lt;/strong&gt; 分子取全口径支出（input、output、缓存、重试），分母取金标集上的成功率，得到 cost per success，不用 token 单价代替。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;接进回归。&lt;/strong&gt; 改提示词、换档位、换模型都跑一遍，看通过率有没有掉，而不是平均分有没有涨。&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;样本量少于 100 时通过率区间宽到无法支撑结论，60% 与 70% 在 50 条样本上分不出高下；agent 任务的重试成本常使实际支出达到单次调用的 2 至 5 倍，不计入就会低估。&lt;/p&gt;
&lt;h2 id="二主要模型的发布数据与实际表现"&gt;&lt;a href="#%e4%ba%8c%e4%b8%bb%e8%a6%81%e6%a8%a1%e5%9e%8b%e7%9a%84%e5%8f%91%e5%b8%83%e6%95%b0%e6%8d%ae%e4%b8%8e%e5%ae%9e%e9%99%85%e8%a1%a8%e7%8e%b0" class="header-anchor"&gt;&lt;/a&gt;二、主要模型的发布数据与实际表现
&lt;/h2&gt;&lt;p&gt;2026 年的发布页有一套共同的论证结构：与上一代对比、与竞品对比、在同等性能下强调成本优势。差异全在选哪张考卷、报哪几行、拿什么当成本。&lt;/p&gt;
&lt;h3 id="21-claude八行表与主动标注的短板"&gt;&lt;a href="#21-claude%e5%85%ab%e8%a1%8c%e8%a1%a8%e4%b8%8e%e4%b8%bb%e5%8a%a8%e6%a0%87%e6%b3%a8%e7%9a%84%e7%9f%ad%e6%9d%bf" class="header-anchor"&gt;&lt;/a&gt;2.1 Claude：八行表与主动标注的短板
&lt;/h3&gt;&lt;p&gt;Anthropic 在 Opus 5.5（9 月 22 日）的发布页给出了八行对比数据，同时列出厂内前代与厂外竞品。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;基准&lt;/th&gt;
&lt;th&gt;Opus 5.5&lt;/th&gt;
&lt;th&gt;Fable 5.1&lt;/th&gt;
&lt;th&gt;Opus 5&lt;/th&gt;
&lt;th&gt;GPT-6 Astra&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;Terminal-Bench 4.0&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;66.4%&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;55.8&lt;/td&gt;
&lt;td&gt;52.3&lt;/td&gt;
&lt;td&gt;57.9&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;FrontierCode v1.1&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;54.4%&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;50.3&lt;/td&gt;
&lt;td&gt;48.0&lt;/td&gt;
&lt;td&gt;53.3&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;CursorBench 4.0&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;57.8%&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;51.8&lt;/td&gt;
&lt;td&gt;46.6&lt;/td&gt;
&lt;td&gt;未报&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;GDPval-AA v2.1&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;1846&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;1735&lt;/td&gt;
&lt;td&gt;1708&lt;/td&gt;
&lt;td&gt;1542&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;AutomationBench&lt;/td&gt;
&lt;td&gt;40.0&lt;/td&gt;
&lt;td&gt;31.4&lt;/td&gt;
&lt;td&gt;26.9&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;41.4&lt;/strong&gt;&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;HLE（with tools）&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;67.7%&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;65.6&lt;/td&gt;
&lt;td&gt;63.6&lt;/td&gt;
&lt;td&gt;57.2&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Terminal-Bench-Science 0.1&lt;/td&gt;
&lt;td&gt;58.7&lt;/td&gt;
&lt;td&gt;52.6&lt;/td&gt;
&lt;td&gt;29.0&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;64.6&lt;/strong&gt;&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;OSWorld 2.0（partial）&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;81.8%&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;80.7&lt;/td&gt;
&lt;td&gt;74.0&lt;/td&gt;
&lt;td&gt;未报&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;八行中有两行落后，仍被完整列出。这份表的证明力来自标注而非分数，其中三处标注承担了关键作用：竞品一列注明「数据取自 OpenAI 自报」，即跨厂那一列不是自己跑的；正文承认「标准误约 2.6 点，在当下能力水平 benchmark margin 已不太可靠」；脚注说明生产环境的 safeguards 会压低自己的分数，cyber 类任务被回退到 Opus 4.8。&lt;/p&gt;
&lt;p&gt;CursorBench 4.0 这一行另有细节。同一模型在 max 档是 57.8%、$13.43 每任务，在 high 档是 56.0%、$3.97——降一档丢 1.8 分，省 70% 的成本。这类数字不会出现在发布页的正文里，只出现在基准方的排行榜上。&lt;/p&gt;
&lt;p&gt;同页还有一处未解释的矛盾：Opus 5.5 在 Terminal-Bench 4.0 上以 66.4% 对 57.9% 领先 8.5 分，正文却表述为两者「matches」。这类矛盾通常意味着两列数据并非同一 harness 产出。&lt;/p&gt;
&lt;h3 id="22-openai以自建基准为主成本并排列"&gt;&lt;a href="#22-openai%e4%bb%a5%e8%87%aa%e5%bb%ba%e5%9f%ba%e5%87%86%e4%b8%ba%e4%b8%bb%e6%88%90%e6%9c%ac%e5%b9%b6%e6%8e%92%e5%88%97" class="header-anchor"&gt;&lt;/a&gt;2.2 OpenAI：以自建基准为主，成本并排列
&lt;/h3&gt;&lt;p&gt;GPT-6.2 Astra（11 月 17 日）的发布页没有把学术基准当作主论据，而是集中在四类任务上，每一项都附成本。&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;&lt;strong&gt;Agents&amp;rsquo; Last Exam v1.1&lt;/strong&gt;：78.3%，同格标注 $2.89 每任务；同表中 Fable 5.2 为 78.8%，成本 $60.05。两者分数相差 0.5 分，成本相差约 21 倍——这是把「同等能力下更便宜」写进同一行的做法。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;GDPval v2&lt;/strong&gt;：自家内部基准，比上一代提升 6.2 个百分点，output token 少用 22%。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;Harvey LAB-AA v1.1&lt;/strong&gt;（法律）：通过率约为 Fable 5.2 的两倍，成本约六分之一。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;FrontierMath Erdős&lt;/strong&gt;：68 道未解数学题解出 7 道，经 Lean 形式化验证，前纪录为 3/68。&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;通用能力上报了 GPQA Diamond 94.8%、SWE-Bench Pro 49.3%，另有 AA-3D 1318 Elo（人类盲评交互体验），并自称「最适合科学家的模型」。选卷范围与产品定位一致：长程专业任务、法律交付、未解数学、科研工作流。对应地，Terminal-Bench 4.0 与 OSWorld 未出现在表中——前者在这一项落后 Opus 5.5 8.5 分，后者是对方的赢面。&lt;/p&gt;
&lt;p&gt;成本列的位置本身也在传递信息。把 $2.89 与 $60.05 并排，读者会自然得出「性价比更高」的结论，但这两个数来自同一 harness 下的单任务测量，而分数只差 0.5 分，本身落在标准误之内。成本差是真的，能力差在统计上不成立。&lt;/p&gt;
&lt;h3 id="23-google只报三项第一成本作为并列条件"&gt;&lt;a href="#23-google%e5%8f%aa%e6%8a%a5%e4%b8%89%e9%a1%b9%e7%ac%ac%e4%b8%80%e6%88%90%e6%9c%ac%e4%bd%9c%e4%b8%ba%e5%b9%b6%e5%88%97%e6%9d%a1%e4%bb%b6" class="header-anchor"&gt;&lt;/a&gt;2.3 Google：只报三项第一，成本作为并列条件
&lt;/h3&gt;&lt;p&gt;Gemini 4 Carbon（10 月 28 日预告，11 月 10 日正式可用）的发布页只强调三个第一名：CursorBench 4.0、Perplexity WANDR、Zapier AutomationBench，每一项后都注明「单任务成本比次优外部模型低一半以上」。对应的数值是 CursorBench 60.4%、AutomationBench 53.88%、WANDR 0.857（soft F1），前两项分别高于 Opus 5.5 的 57.8% 与 40.0%。&lt;/p&gt;
&lt;p&gt;推理类报的是 ARC-AGI 98.5%、ARC-AGI-2 94.2%、GPQA 96.5%、AIME 100%、SimpleBench 92.6%。&lt;/p&gt;
&lt;p&gt;这三个基准的出题方分别是 Cursor、Perplexity 与 Zapier，都是产品公司为自己的业务场景设计的考卷：IDE 考意图推断，研究型 agent 考证据覆盖，工作流 agent 考落库状态。Carbon 在这三项上领先，说明它在「工具调用 + 多步执行」这条线上占优；但在 Terminal-Bench 4.0、HLE、SWE-bench 这些另两家主打的项上，发布页没有给出数字。&lt;/p&gt;
&lt;p&gt;Carbon 还是受限发布，仅向网络安全防御方开放。这一点在解读它的榜单位置时必须计入，原因见 2.5。&lt;/p&gt;
&lt;h3 id="24-deepseek小模型打上一代旗舰通用知识仍有差距"&gt;&lt;a href="#24-deepseek%e5%b0%8f%e6%a8%a1%e5%9e%8b%e6%89%93%e4%b8%8a%e4%b8%80%e4%bb%a3%e6%97%97%e8%88%b0%e9%80%9a%e7%94%a8%e7%9f%a5%e8%af%86%e4%bb%8d%e6%9c%89%e5%b7%ae%e8%b7%9d" class="header-anchor"&gt;&lt;/a&gt;2.4 DeepSeek：小模型打上一代旗舰，通用知识仍有差距
&lt;/h3&gt;&lt;p&gt;DeepSeek 的论证方式与前三家不同，对比对象主要是自家旗舰。V4.1 Flash（9 月 10 日）是一个 552B 参数的 MoE，激活参数为 prefill 阶段 8B、decode 阶段 16B，官方定位是更小、更快、更便宜，定价 0.3 / 1.2 美元每百万 token，空闲时段半价。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;基准&lt;/th&gt;
&lt;th&gt;V4.1 Flash&lt;/th&gt;
&lt;th&gt;V4 Pro 0813&lt;/th&gt;
&lt;th&gt;V4 Flash 0731&lt;/th&gt;
&lt;th&gt;Opus 5.0&lt;/th&gt;
&lt;th&gt;GPT-5.6 Sol&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;GPQA Diamond&lt;/td&gt;
&lt;td&gt;90.9&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;92.4&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;89.9&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;93.4&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;94.1&lt;/strong&gt;&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;HLE（no tools）&lt;/td&gt;
&lt;td&gt;36.8&lt;/td&gt;
&lt;td&gt;42.7&lt;/td&gt;
&lt;td&gt;37.8&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;56.3&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;44.5&lt;/strong&gt;&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Terminal-Bench 2.1&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;90.6&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;87.9&lt;/td&gt;
&lt;td&gt;82.7&lt;/td&gt;
&lt;td&gt;89.1&lt;/td&gt;
&lt;td&gt;88.8&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Terminal-Bench 4.0&lt;/td&gt;
&lt;td&gt;31.2&lt;/td&gt;
&lt;td&gt;12.4&lt;/td&gt;
&lt;td&gt;7.0&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;51.8&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;39.9&lt;/strong&gt;&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;DeepSWE v1.1&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;74.2&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;62.7&lt;/td&gt;
&lt;td&gt;54.4&lt;/td&gt;
&lt;td&gt;74.0&lt;/td&gt;
&lt;td&gt;73.0&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;AutomationBench&lt;/td&gt;
&lt;td&gt;&lt;strong&gt;54.8&lt;/strong&gt;&lt;/td&gt;
&lt;td&gt;43.2&lt;/td&gt;
&lt;td&gt;37.7&lt;/td&gt;
&lt;td&gt;50.3&lt;/td&gt;
&lt;td&gt;45.8&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;数据来自官方模型卡，取最高推理档。结论分成两半：在 agentic coding 与工具使用上，V4.1 Flash 追平甚至超过 Opus 5.0 与 GPT-5.6 Sol——Terminal-Bench 2.1 的 90.6、DeepSWE 的 74.2、AutomationBench 的 54.8 都是该表最高；但在知识推理与新一代长程终端任务上差距明显，GPQA 落后 Opus 5.0 2.5 分，HLE 落后 19.5 分，Terminal-Bench 4.0 落后 20.6 分。&lt;/p&gt;
&lt;p&gt;10 月 17 日的 1017 更新补上了部分短板：HLE 从 36.8 升到 42.6，Terminal-Bench 4.0 从 31.2 升到 42.3，DeepSWE 升到 77.0，Agents&amp;rsquo; Last Exam 升到 35.4。官方口径是「在多个 agent 测试框架中推进性能与成本的帕累托前沿」。&lt;/p&gt;
&lt;p&gt;两件事需要同时记下。其一，DeepSeek 没有报告 SWE-bench Verified、SWE-bench Pro 与 LiveCodeBench，这三项恰是另外两家常用的论据。其二，Artificial Analysis 独立测得 V4.1 Flash 1017 为 33 分、$0.60 每任务，与 Opus 5.5 的 59 分、$10.04 相差 26 分。自报的 agent 指标能追平上一代旗舰，综合指数却只有对方一半多一点，原因不在数据造假，而在两套测量覆盖的题型不同：AA 的题库以知识与推理为主，agentic 任务的权重低。&lt;/p&gt;
&lt;p&gt;对比对象的选择同样影响结论。DeepSeek 的厂外两列取的是 Opus 5.0 与 GPT-5.6 Sol，都比当前旗舰隔了一代。Terminal-Bench 4.0 上 V4.1 Flash 落后 Opus 5.0 20.6 分，而 Opus 5.5 在这一项是 66.4%——按同一条线推，与最新旗舰的差距接近 35 分。选上一代做基准，会让落后幅度看起来小一些，这在四家发布页里是共同现象，只是 DeepSeek 的跨度更大。&lt;/p&gt;
&lt;h3 id="25-独立测量与实际使用"&gt;&lt;a href="#25-%e7%8b%ac%e7%ab%8b%e6%b5%8b%e9%87%8f%e4%b8%8e%e5%ae%9e%e9%99%85%e4%bd%bf%e7%94%a8" class="header-anchor"&gt;&lt;/a&gt;2.5 独立测量与实际使用
&lt;/h3&gt;&lt;p&gt;在看独立数据之前，需要先注意四家的对比对象并不对齐：Anthropic 的厂外一列是 GPT-6 Astra，OpenAI 的对手是 Fable 5.2，Google 只写「次优外部模型」而不点名，DeepSeek 比的是 Opus 5.0 与 GPT-5.6 Sol。四张表的「竞品」定义不同，把它们的数字并排读，等于把不同代差混在一起。&lt;/p&gt;
&lt;p&gt;以下两组数据不依赖厂商。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;Artificial Analysis Intelligence Index v5.0.1&lt;/strong&gt;（11 月 22 日直连抓取，取各模型最高推理档）给出能力侧排序：Fable 5.2 65、GPT-6.2 Astra 62、Gemini 4 Neon 61、Gemini 4 Carbon 60、Opus 5.5 59、GPT-6.2 Sol 57、Sonnet 5.5 55、Gemini 4 Hydrogen 54、GPT-6.1 Terra 51、Gemini 4 Argon 50、Kimi K3.1 Pro 46、Qwen4 Max 43、Haiku 5.5 36、腾讯 Hy4 35、DeepSeek V4.1 Flash 33、GLM-5.3 32。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;Arena 文本榜&lt;/strong&gt;（11 月 19 日快照，222 个模型）给出偏好侧排序。把几个关键位置画在同一根轴上，可以看到前四名挤在 26 分之内，而 AA 榜首那一档落在更靠后的位置。&lt;/p&gt;
&lt;p&gt;&lt;img src="https://sutdown.github.io/img/img_model_leaderboard/arena-ranking.svg"
loading="lazy"
alt="Arena 文本榜上各模型的分数位置，横轴自 1465 起截断"
&gt;&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;排名&lt;/th&gt;
&lt;th&gt;模型（档位）&lt;/th&gt;
&lt;th&gt;Arena 分&lt;/th&gt;
&lt;th&gt;95% CI&lt;/th&gt;
&lt;th&gt;票数&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;1&lt;/td&gt;
&lt;td&gt;Gemini 4 Carbon（High）&lt;/td&gt;
&lt;td&gt;1539&lt;/td&gt;
&lt;td&gt;±10&lt;/td&gt;
&lt;td&gt;4.3K&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;2&lt;/td&gt;
&lt;td&gt;Gemini 4 Argon（High）&lt;/td&gt;
&lt;td&gt;1528&lt;/td&gt;
&lt;td&gt;±5&lt;/td&gt;
&lt;td&gt;27.2K&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;3&lt;/td&gt;
&lt;td&gt;Gemini 4 Neon（High）&lt;/td&gt;
&lt;td&gt;1524&lt;/td&gt;
&lt;td&gt;±8&lt;/td&gt;
&lt;td&gt;5.6K&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;4&lt;/td&gt;
&lt;td&gt;Claude Opus 5.5（High）&lt;/td&gt;
&lt;td&gt;1513&lt;/td&gt;
&lt;td&gt;±6&lt;/td&gt;
&lt;td&gt;18.3K&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;26&lt;/td&gt;
&lt;td&gt;Claude Fable 5.2（Max）&lt;/td&gt;
&lt;td&gt;1478&lt;/td&gt;
&lt;td&gt;±9&lt;/td&gt;
&lt;td&gt;5.2K&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;—&lt;/td&gt;
&lt;td&gt;GPT 系最高：GPT-5.5（High）&lt;/td&gt;
&lt;td&gt;1469&lt;/td&gt;
&lt;td&gt;±4&lt;/td&gt;
&lt;td&gt;—&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;两组数据放在一起，出现四处系统性错位。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;第一，AA 第一的模型在 Arena 排第 26。&lt;/strong&gt; Fable 5.2 落后榜首 61 分，票数只有 5.2K，但 61 分远超置信区间，不是噪声。它在静态题目上最强，在短期对话里不被偏好，两件事同时成立。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;第二，GPT 系在 Arena 文本榜前三十只有一个位置。&lt;/strong&gt; GPT-5.5（High）1469 分，而 GPT-6.2 Astra 在 AA 是第二。一个合理解释是文本榜的投票任务是短对话，OpenAI 在长任务上的优势无法在几分钟的对比里体现。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;第三，Arena 第一的 Carbon 是受限发布。&lt;/strong&gt; 投票的 4.3K 人里多数调不到它，测的是样本内少数人的偏好，不是可及用户的体验。相比之下 Argon 有 27.2K 票、区间 ±5，稳定性高得多，分数却低 11 分——换算成胜率只有 51.6%。决定「第一」这个名字的，是 1.6 个百分点的偏好差。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;第四，Arena 的文本榜与 Agent 榜排序不一致。&lt;/strong&gt; Opus 5.5 在 Agent 榜以 20.14% ±2.09 排第一，在文本榜排第 4；Fable 5.1 在文本榜第 5、Agent 榜第 5。同一家、同一代模型，两个榜上的相对位置会翻转，因为一个测端到端任务完成率，一个测对话偏好。&lt;/p&gt;
&lt;h2 id="三当前的能力分布与性价比"&gt;&lt;a href="#%e4%b8%89%e5%bd%93%e5%89%8d%e7%9a%84%e8%83%bd%e5%8a%9b%e5%88%86%e5%b8%83%e4%b8%8e%e6%80%a7%e4%bb%b7%e6%af%94" class="header-anchor"&gt;&lt;/a&gt;三、当前的能力分布与性价比
&lt;/h2&gt;&lt;h3 id="31-能力梯度"&gt;&lt;a href="#31-%e8%83%bd%e5%8a%9b%e6%a2%af%e5%ba%a6" class="header-anchor"&gt;&lt;/a&gt;3.1 能力梯度
&lt;/h3&gt;&lt;p&gt;把 AA 的数据按「指数 × 单任务成本」铺开，可以看到一条清晰的边际收益曲线。&lt;/p&gt;
&lt;p&gt;&lt;img src="https://sutdown.github.io/img/img_model_leaderboard/cost-frontier.svg"
loading="lazy"
alt="模型能力指数与单任务成本的分布，虚线为帕累托前沿"
&gt;&lt;/p&gt;
&lt;p&gt;前沿上的五个点构成当前的性价比阶梯。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;模型&lt;/th&gt;
&lt;th&gt;指数&lt;/th&gt;
&lt;th&gt;$/任务&lt;/th&gt;
&lt;th&gt;相对上一档的价格倍数&lt;/th&gt;
&lt;th&gt;分数增量&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;GPT-6 Luna max&lt;/td&gt;
&lt;td&gt;28&lt;/td&gt;
&lt;td&gt;0.15&lt;/td&gt;
&lt;td&gt;—&lt;/td&gt;
&lt;td&gt;—&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Claude Haiku 5.5 max&lt;/td&gt;
&lt;td&gt;36&lt;/td&gt;
&lt;td&gt;0.41&lt;/td&gt;
&lt;td&gt;2.7×&lt;/td&gt;
&lt;td&gt;+8&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;GPT-6.2 Sol max&lt;/td&gt;
&lt;td&gt;57&lt;/td&gt;
&lt;td&gt;1.01&lt;/td&gt;
&lt;td&gt;2.5×&lt;/td&gt;
&lt;td&gt;+21&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;GPT-6.2 Astra max&lt;/td&gt;
&lt;td&gt;62&lt;/td&gt;
&lt;td&gt;4.00&lt;/td&gt;
&lt;td&gt;4.0×&lt;/td&gt;
&lt;td&gt;+5&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Claude Fable 5.2 max&lt;/td&gt;
&lt;td&gt;65&lt;/td&gt;
&lt;td&gt;26.54&lt;/td&gt;
&lt;td&gt;6.6×&lt;/td&gt;
&lt;td&gt;+3&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;从 36 分到 57 分，价格涨 2.5 倍换 21 分，是整条曲线上效率最高的一段。从 57 分往上，收益迅速衰减：多花 4 倍价格换 5 分，再多花 6.6 倍换 3 分。&lt;/p&gt;
&lt;p&gt;完整分布中有三个位置值得单独说明。&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;&lt;strong&gt;50 分到 46 分之间存在断档。&lt;/strong&gt; 闭源可用模型的下限是 Gemini 4 Argon 的 50 分，开放权重模型的上限是 Kimi K3.1 Pro 的 46 分。这 4 分一年来没有收窄。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;同分不同价的情况普遍存在。&lt;/strong&gt; Sonnet 5.5 与 Opus 5.5 指数相差 4 分，单任务成本几乎相同；GLM-5.3 得 32 分却要 $5.01，比 33 分的 DeepSeek V4.1 Flash 贵 8 倍。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;高价不等于高分。&lt;/strong&gt; Gemini 4 Argon 得 50 分、$9.95，与 57 分、$1.01 的 GPT-6.2 Sol 相比，在两项指标上同时落后。&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;国产模型集中在这张图的左下区域。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;模型&lt;/th&gt;
&lt;th&gt;AA 指数&lt;/th&gt;
&lt;th&gt;$/任务&lt;/th&gt;
&lt;th&gt;Terminal-Bench 4.0&lt;/th&gt;
&lt;th&gt;特点&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;Kimi K3.1 Pro&lt;/td&gt;
&lt;td&gt;46&lt;/td&gt;
&lt;td&gt;3.68&lt;/td&gt;
&lt;td&gt;67%&lt;/td&gt;
&lt;td&gt;开放权重，编码能力最强&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;Qwen4-Max&lt;/td&gt;
&lt;td&gt;43&lt;/td&gt;
&lt;td&gt;3.27&lt;/td&gt;
&lt;td&gt;48%&lt;/td&gt;
&lt;td&gt;知识工作强，AA-Briefcase 1686 Elo&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;腾讯 Hy4&lt;/td&gt;
&lt;td&gt;35&lt;/td&gt;
&lt;td&gt;1.03&lt;/td&gt;
&lt;td&gt;37%&lt;/td&gt;
&lt;td&gt;综合分最低，FrontierCode 为国内最高&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;DeepSeek V4.1 Flash&lt;/td&gt;
&lt;td&gt;33&lt;/td&gt;
&lt;td&gt;0.60&lt;/td&gt;
&lt;td&gt;42.3%（1017）&lt;/td&gt;
&lt;td&gt;单位成本最低，长程终端任务弱&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;共同特征是单项可以持平而综合仍差一档：Kimi 的 Terminal-Bench 67% 与 Opus 5.5 的 66.4% 基本相当，但综合指数 46 对 65，相差 19 分。因此「某国内模型在单项上超过某国际模型」通常成立，结论只限于该单项。同时需要修正一处常见表述：Qwen4-Max 为闭源模型，「国产即开源」的判断已不成立。&lt;/p&gt;
&lt;h3 id="32-性价比判断"&gt;&lt;a href="#32-%e6%80%a7%e4%bb%b7%e6%af%94%e5%88%a4%e6%96%ad" class="header-anchor"&gt;&lt;/a&gt;3.2 性价比判断
&lt;/h3&gt;&lt;p&gt;按使用场景划分，当前数据支持的结论如下。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;场景&lt;/th&gt;
&lt;th&gt;推荐&lt;/th&gt;
&lt;th&gt;指数 / $每任务&lt;/th&gt;
&lt;th&gt;依据&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;高并发、成本敏感&lt;/td&gt;
&lt;td&gt;GPT-6.2 Sol&lt;/td&gt;
&lt;td&gt;57 / 1.01&lt;/td&gt;
&lt;td&gt;57 分档位中成本最低，约为同分 Sonnet 的十分之一&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;质量优先、预算可控&lt;/td&gt;
&lt;td&gt;GPT-6.2 Astra&lt;/td&gt;
&lt;td&gt;62 / 4.00&lt;/td&gt;
&lt;td&gt;比榜首少 3 分，成本为 1/6.6&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;极限能力、不计成本&lt;/td&gt;
&lt;td&gt;Fable 5.2 max&lt;/td&gt;
&lt;td&gt;65 / 26.54&lt;/td&gt;
&lt;td&gt;仅在最难任务与榜单竞争中有意义&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;批量简单任务&lt;/td&gt;
&lt;td&gt;DeepSeek V4.1 Flash&lt;/td&gt;
&lt;td&gt;33 / 0.60&lt;/td&gt;
&lt;td&gt;成本接近下限，MIT 许可可自托管&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;需要私有化部署&lt;/td&gt;
&lt;td&gt;Kimi K3.1 Pro&lt;/td&gt;
&lt;td&gt;46 / 3.68&lt;/td&gt;
&lt;td&gt;开放权重中的能力上限&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;国内合规场景&lt;/td&gt;
&lt;td&gt;腾讯 Hy4 / Qwen4-Max&lt;/td&gt;
&lt;td&gt;35 / 1.03、43 / 3.27&lt;/td&gt;
&lt;td&gt;Hy4 成本最低，Qwen4 知识工作更强&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;除选型之外，有三条与价格直接相关的操作建议。&lt;/p&gt;
&lt;ol&gt;
&lt;li&gt;&lt;strong&gt;优先降档位，再考虑换模型。&lt;/strong&gt; Opus 5.5 从 max 降到 low，成本降 90%，分数从 59 掉到 35；而 CursorBench 上从 max 降到 high，只丢 1.8 分却省 70%。同一模型内部的档位调整，通常比跨厂商替换更划算。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;延迟三个月采用上一代旗舰。&lt;/strong&gt; 能力半年涨 5 至 10 分，价格半年降 20% 至 60%，两条斜率不同。多数场景下，用上一代旗舰的次高档位，比追最新款的高档位更经济。&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;把评测成本算进选型。&lt;/strong&gt; 换模型意味着重跑回归集，这部分开销在长期项目里不可忽略。&lt;/li&gt;
&lt;/ol&gt;
&lt;h3 id="33-综合评价"&gt;&lt;a href="#33-%e7%bb%bc%e5%90%88%e8%af%84%e4%bb%b7" class="header-anchor"&gt;&lt;/a&gt;3.3 综合评价
&lt;/h3&gt;&lt;p&gt;从当前数据看，模型能力已经进入边际收益明显递减的区间。57 分到 65 分之间相差 8 分，价格相差 26 倍，而这 8 分在多数常规任务上无法被用户感知，它主要体现在长程 agent 任务、复杂代码修改与科研类工作上。选型的实际约束因此不在能力上限，而在任务分布与成本结构。&lt;/p&gt;
&lt;p&gt;对一份模型评测的可靠程度，可以按证据类型排序。&lt;/p&gt;
&lt;table&gt;
&lt;thead&gt;
&lt;tr&gt;
&lt;th&gt;判断目标&lt;/th&gt;
&lt;th&gt;应采用的证据&lt;/th&gt;
&lt;th&gt;不应采用的证据&lt;/th&gt;
&lt;/tr&gt;
&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;
&lt;td&gt;模型能力的上限&lt;/td&gt;
&lt;td&gt;同一 harness 下的纵向比较、独立第三方横向评测&lt;/td&gt;
&lt;td&gt;跨榜拼接、跨 harness 比较&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;特定任务的可靠性&lt;/td&gt;
&lt;td&gt;自己的金标集与回归结果&lt;/td&gt;
&lt;td&gt;发布页的平均分&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;长期使用成本&lt;/td&gt;
&lt;td&gt;全口径 cost per success&lt;/td&gt;
&lt;td&gt;token 单价&lt;/td&gt;
&lt;/tr&gt;
&lt;tr&gt;
&lt;td&gt;厂商宣称的可信度&lt;/td&gt;
&lt;td&gt;报了几行、缺了哪几行、脚注写了什么&lt;/td&gt;
&lt;td&gt;排名截图&lt;/td&gt;
&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;
&lt;p&gt;三类证据最不可靠：跨榜拼接（不同基准的分数直接比较）、跨 harness 比较（自报与独立测量混用）、从发布页的缺失项反推结论（缺失只能作为线索，不能作为证据）。三类证据最可靠：同一 harness 下的纵向比较、独立第三方的横向评测、自己业务分布上的 cost per success。&lt;/p&gt;
&lt;p&gt;据此可以给出一个具体判断：如果任务以常规代码修改、文档处理和结构化信息提取为主，57 分级别的模型与 65 分级别的模型在实际产出上差异有限，成本却相差一个数量级；如果任务涉及长程 agent 执行、多文件重构或专业领域交付，前沿模型的差距才会显现，此时才值得为上限付费。&lt;/p&gt;
&lt;h2 id="参考链接"&gt;&lt;a href="#%e5%8f%82%e8%80%83%e9%93%be%e6%8e%a5" class="header-anchor"&gt;&lt;/a&gt;参考链接：
&lt;/h2&gt;&lt;ol&gt;
&lt;li&gt;Anthropic, &lt;em&gt;Introducing Claude Opus 5.5&lt;/em&gt; — &lt;a class="link" href="https://www.anthropic.com/news/claude-opus-5-5" target="_blank" rel="noopener"
&gt;https://www.anthropic.com/news/claude-opus-5-5&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;OpenAI, &lt;em&gt;Introducing GPT-6.2 Astra and Sol&lt;/em&gt; — &lt;a class="link" href="https://openai.com/index/introducing-gpt-6-2-astra-sol/" target="_blank" rel="noopener"
&gt;https://openai.com/index/introducing-gpt-6-2-astra-sol/&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Google, &lt;em&gt;Gemini 4 Carbon now available&lt;/em&gt; — &lt;a class="link" href="https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/" target="_blank" rel="noopener"
&gt;https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-carbon-now-available/&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Google DeepMind, &lt;em&gt;Gemini 4 Carbon: our next frontier model&lt;/em&gt; — &lt;a class="link" href="https://deepmind.google/blog/gemini-4-carbon-our-next-frontier-model" target="_blank" rel="noopener"
&gt;https://deepmind.google/blog/gemini-4-carbon-our-next-frontier-model&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;DeepSeek, &lt;em&gt;Introducing DeepSeek-V4.1-Flash&lt;/em&gt; — &lt;a class="link" href="https://deepseek.com/news/deepseek-v4-1-flash/" target="_blank" rel="noopener"
&gt;https://deepseek.com/news/deepseek-v4-1-flash/&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;DeepSeek, &lt;em&gt;DeepSeek-V4 Technical Report&lt;/em&gt; — &lt;a class="link" href="https://arxiv.org/abs/2606.19348" target="_blank" rel="noopener"
&gt;https://arxiv.org/abs/2606.19348&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;DeepSeek, &lt;em&gt;DeepSeek-V4.1-Flash&lt;/em&gt; — &lt;a class="link" href="https://arxiv.org/abs/2609.19969" target="_blank" rel="noopener"
&gt;https://arxiv.org/abs/2609.19969&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Qwen, &lt;em&gt;Qwen4-Max&lt;/em&gt; — &lt;a class="link" href="https://qwen.ai/blog?id=qwen4-max" target="_blank" rel="noopener"
&gt;https://qwen.ai/blog?id=qwen4-max&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Moonshot AI, &lt;em&gt;Kimi K3.1 Pro&lt;/em&gt; — &lt;a class="link" href="https://www.kimi.com/blog/kimi-k3-1-pro" target="_blank" rel="noopener"
&gt;https://www.kimi.com/blog/kimi-k3-1-pro&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Chiang et al., &lt;em&gt;Chatbot Arena: An Open Platform for Evaluating LLMs by Human Preference&lt;/em&gt; — &lt;a class="link" href="https://arxiv.org/abs/2403.04132" target="_blank" rel="noopener"
&gt;https://arxiv.org/abs/2403.04132&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Zheng et al., &lt;em&gt;Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena&lt;/em&gt; — &lt;a class="link" href="https://arxiv.org/abs/2306.05685" target="_blank" rel="noopener"
&gt;https://arxiv.org/abs/2306.05685&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Singh et al., &lt;em&gt;The Leaderboard Illusion&lt;/em&gt; — &lt;a class="link" href="https://arxiv.org/abs/2504.20879" target="_blank" rel="noopener"
&gt;https://arxiv.org/abs/2504.20879&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Perplexity, &lt;em&gt;WANDR: Wide-and-Deep Research Benchmark&lt;/em&gt; — &lt;a class="link" href="https://arxiv.org/abs/2608.14747" target="_blank" rel="noopener"
&gt;https://arxiv.org/abs/2608.14747&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Zapier, &lt;em&gt;AutomationBench joins the Specialized Intelligence Index&lt;/em&gt; — &lt;a class="link" href="https://zapier.com/blog/automationbench-on-specialized-intelligence-index" target="_blank" rel="noopener"
&gt;https://zapier.com/blog/automationbench-on-specialized-intelligence-index&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Cursor, &lt;em&gt;Blog&lt;/em&gt; — &lt;a class="link" href="https://cursor.com/blog" target="_blank" rel="noopener"
&gt;https://cursor.com/blog&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Artificial Analysis, &lt;em&gt;Intelligence Index Leaderboard&lt;/em&gt; — &lt;a class="link" href="https://artificialanalysis.ai/leaderboards/models" target="_blank" rel="noopener"
&gt;https://artificialanalysis.ai/leaderboards/models&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Arena, &lt;em&gt;Text Leaderboard&lt;/em&gt; — &lt;a class="link" href="https://arena.ai/leaderboard/text" target="_blank" rel="noopener"
&gt;https://arena.ai/leaderboard/text&lt;/a&gt;&lt;/li&gt;
&lt;li&gt;Epoch AI — &lt;a class="link" href="https://epoch.ai" target="_blank" rel="noopener"
&gt;https://epoch.ai&lt;/a&gt;&lt;/li&gt;
&lt;/ol&gt;</description></item></channel></rss>