Arena.ai@arenaAI 评分5656

Arena 宣布 Grok 4.7 (xHigh) 进入 Agent Arena 榜单第16位，净改进分 +3.96%。

TRACE：流式视频理解的时序审计与条件感知评估框架

论文提出 TRACE 基准，旨在解决现有流式视频理解评估中忽略证据时效性、历史维护及响应触发机制的问题。该框架通过统一因果协议控制信息可用性，并多维报告答案质量、及时性、负载等指标。在 1240 条记录上的实验显示，相似的 QA 准确率可能掩盖系统在完成度、生成负载及主动响应行为（如误报、漏报）上的巨大差异，强调应将性能视为执行条件下的系统行为而非单一分数。

Duplex-MPE：全双工对话中多方交互的基准测试

Duplex-MPE 基准发布，用于评估全双工语音助手在多人共享对话中何时应答、保持沉默或停止说话，包含 2000 个由三到四名人类说话者与一名助手构成的场景，同一请求分显式与隐式指代配对。

Arena.ai@arenaAI 评分6161

GPT-6 Luna (Max) 以 1593 分位列 Arena Code Arena: WebDev 榜单第 24 名，比 GPT-5.6 Luna (xHigh) 高 74 分（后者现列第 41）。

研究显示 AI 基准性能成本每年降至约十三分之一，MIT 估算纯算法效率约每年 3 倍

Epoch AI 估算，在固定基准分数上取得同等性能的市场价格平均每季度下降约 47%，约合每年 13 倍。OpenAI 的 o3 在 2025 年初以每题约 30 美分在 GPQA Diamond 达到 75% 准确率，18 个月后 GPT-5.6 系列模型以原价 1/725 达到同样分数。

Artificial Analysis 发布 Cyber Index 网络安全评估联盟

Artificial Analysis 推出 Cyber Index，整合 CWE-Bench-AA、DeepsecBench-AA 和 CyberGym-E2E-AA 三项评估，覆盖从代码审计、漏洞发现到复现与修补的防御全流程。该指数基于 Stirrup 开源代理框架运行，重点测试模型在拥有源代码访问权限下的漏洞识别与修复能力，并单独记录因安全原因拒绝任务的情况。目前暂不包含利用漏洞生成攻击载荷的能力评估。

按预算挑选最优 LLM 的每日更新对照表

作者 terryds 上线 bestmodelforyourbudget 网站，每日用 Artificial Analysis 免费 API 数据更新按预算选 LLM 的对照表。

Arena.ai@arenaAI 评分6868

Arena 宣布 Claude Opus 5.5 (Max) 登顶 Code Arena: WebDev 榜单，价格比第二名 GPT-6 Astra (Max) 低 60%，综合每百万 token $16。榜单分数来自全球社区的真实使用，另附 @petergostev 的第一印象视频 https://youtu.be/-0PE_bHHoRk。

五大场景实测商汤SenseNova U1 Pro：从审美到多图融合的生图能力评测

商汤上线SenseNova U1 Pro，在8月SuperCLUE-Image中文文生图榜单以总分93.81排名第一，作者实测其与gpt image 2.5对比。作者分审美与中文版式、多文字运营物料、资料检索与高密度信息、局部修图、多图融合五类任务测试，附全部提示词，认为其文字稳定、局部编辑精准、可支持8K输出，整体完成度达到可交付水平，考虑替换进自己的图片工作流。

实测GPT-6 Sol、Luna与Claude Opus 5.5：编程、前端、写作与3D多模态对比

作者实测GPT-6 Sol、Luna与Claude Opus 5.5三款新模型。GPT-6 Sol/Luna API价格比GPT5.6低50%，Opus 5.5输出速度比Opus5快30%、成本低40%，并提升了pro、max、team套餐的五小时额度窗口。

实测小米 MiMo-V2.6 系列模型：开源分第一，价格低至同级海外模型的几十分之一

小米发布 MiMo-V2.6-Pro、Flash 和 Pro-UltraSpeed 三款模型，UltraSpeed 输出速度最高达 Pro 的 20 倍。

Artificial Analysis@ArtificialAnlys精选AI 评分6868

Artificial Analysis 测评显示，Claude Opus 5.5 在 Claude Code max effort 下以 66 分登顶 Coding Agent Index，较 Opus 5（60）高 6 分，三项评测 Terminal-Bench 4.0（63.1%）、DeepSWE v1.1（68.4%）、SWE-Atlas-QnA（66.4%）全部提升。

Mercury 2.5 评测数据：770 tokens 每秒输出、260k 上下文、智能指数 12

Artificial Analysis 页面显示，Inception 于 2026 年 9 月发布的 Mercury 2.5 是一个推理模型，输出速度达 770.4 tokens 每秒（同类价格档推理模型中位数为 108.6）。

IndicBankBench：评估印度零售银行语言模型助手的安全性与可靠性

研究推出 IndicBankBench，一个包含799个案例的印度零售银行基准测试，涵盖五个操作域及能力/拒绝域。该基准在安全、行动与工具使用、响应充分性及建议质量四个阶段进行评估，采用确定性检查结合LLM裁判。对11个模型的测试显示，严格通过率（pass^3）仅为43.7%至58.2%，远低于至少一次成功率的60%-74%，揭示了现有评估可能高估了银行场景下的可靠行为。数据集与评估框架已开源。

LLM 评测结论有多可复现？一项针对 LLM 推断提示词结构的自审计

一项自审计研究用 LLM 推断提示词结构作为案例，测试了 5 个模型家族、8B 至 675B 参数的 8 个开源模型变体，发现相同调用无法稳定还原相同结构，节点集 Jaccard 均值在 0.39 至 0.96 之间，72% 的提示词-模型组合从未达到节点集完全一致。

SemiAnalysis 发布 ClusterMAX 3.0 GPU 云服务商评级系统

SemiAnalysis 发布 ClusterMAX 3.0，对全球 GPU 云服务商进行迄今最深入的分析评级。评测覆盖可靠性、性能、支持、定价以及安全等维度，并以详尽细节展开。

Meta AI 智能体 Muse 评测：擅长花钱的可爱助手

The Verge 作者实测 Meta 的 AI 智能体 Muse，用它处理五项拖延已久的琐事，包括跟进园林报价、购买咖啡机零件、取消安保套餐和采购露营装备。多数任务能完成，但无法打电话改套餐，访问 Amazon 也被拦截；40 分钟内作者已交出姓名、地址、信用卡和安全账户凭据，且发现高效完成后反而腾出时间与机器人闲聊。

Artificial Analysis@ArtificialAnlys精选AI 评分7070

Artificial Analysis 称本周 MiMo-V2.6-Pro、Claude Opus 5.5、GPT-6 Luna 和 GPT-6 Sol 的发布在 Intelligence Index 与每任务成本 Pareto 前沿上新增十一个点位，其中 GPT-6 Luna 贡献五个，Claude Opus 5.5 贡献四个。

SemiAnalysis@SemiAnalysis_AI 评分5555

vLLM 维护者展示 TPUv7 经 megakernel 优化后在 Kimi K3 上达到 700 tok/s/user，比 NVIDIA GB200 NVL72 高 56%。图表显示 16× TPU v7 为 709 tokens/s，16× GB200 vLLM baseline 为 452 tokens/s。SemiAnalysis 称 TPU 软件外部化进展值得持续关注。

Arena.ai@arena精选AI 评分7575

Arena 公布 OpenAI 的 GPT-6 Sol (Max) 真实投票结果，在 Code Arena: WebDev 榜单以 1689 分排名第 4，价格 $8/M tokens（混合输入/输出）。

DrivingBench 基准测试对比多个模型操控车辆沿赛道行驶的表现

drivingbench.com 页面对多个模型操控车辆沿赛道中心线行驶进行了对比，指标包括保持在 4 米内的进度占比、GPS 集成距离、完成时间、指令数以及 token 数与成本。

SemiAnalysis@SemiAnalysis_AI 评分5252

SemiAnalysis 称 AMD MI355X 的单位美元性能最高可达 DGX B300 的 1.7 倍。

Artificial Analysis@ArtificialAnlysAI 评分6161

Artificial Analysis 测算 Claude Opus 5.5 (max) 每 Intelligence Index task 成本为 $5.98，与 Opus 5 (max) 的 $5.86 接近。Opus 5.5 token 用量上升单独会使成本升至 $10.51，但 Anthropic 基础价格下调 20%（$5/$25 降至 $4/$20）降至 $8.41，缓存读取降至 $0.20/1M 再降 29% 至 $5.98。

METR 发布 Claude Opus 5.5 部署前评估摘要

METR 发布对 Claude Opus 5.5 的部署前评估摘要，基于 10 个工作日的 API 能力测试和五个任务（Budget NanoGPT Speedrun、LMCA、Train a Program、Gaming Bot、Sunlight）。

Artificial Analysis@ArtificialAnlysAI 评分7171

Artificial Analysis 发文指出，GPT-6 Sol 和 Luna 在 Intelligence Index 中得分与各自前代相近，但 token 定价下降约 50%，将单任务成本减半。其图表展示了各代 OpenAI 模型在智能与单任务成本之间的权衡曲线。

Arena.ai@arenaAI 评分6161

Arena 官方宣布 Grok 4.7 (xHigh) 进入 Code Arena: WebDev 榜第 10 名，得 1632 分，较 Grok 4.6 (High) 提升 16 分并上升 6 位，后者现列第 16 名（1616 分）。

Artificial Analysis@ArtificialAnlysAI 评分5252

Artificial Analysis 将 Controlled Voice Arena 扩展到日语、中文、印地语、西班牙语、德语、法语、葡萄牙语、越南语和阿拉伯语 9 种语言，发布多语言 Text to Speech Arena 排行榜。

Artificial Analysis@ArtificialAnlysAI 评分5353

StepFun 发布 StepAudio 3 ASR，在 Artificial Analysis 非流式语音转写 AA-WER Index 上以 1.7% WER 排名第一，较 StepAudio 2.5 ASR 的 4.7% 明显提升。

Artificial Analysis 评测 GPT-6 Sol 和 Luna：价格减半但各项表现有升有降

Artificial Analysis 评测 OpenAI 的 GPT-6 Sol 和 Luna，两模型价格较 GPT-5.6 约减半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token。

Artificial Analysis 发布 Claude Opus 5.5 智能与价格分析（Max Effort）

Artificial Analysis 评测页面显示 Claude Opus 5.5（Adaptive Reasoning, Max Effort, Default Fallback）在 Artificial Analysis Intelligence Index 得 58 分，远高于同类中位数 25。

Artificial Analysis@ArtificialAnlysAI 评分8585

Artificial Analysis 评测 GPT-6 Sol 和 Luna，两模型价格约为 GPT-5.6 对应版本一半，Sol 定价 $2/$10、Luna $0.10/$0.50 每百万输入/输出 token，Intelligence Index 与 GPT-5.6 持平。

Arena.ai@arena精选AI 评分7272

Arena 宣布 Anthropic 的 Claude Opus 5.5 已进入 Agent Arena，用户可通过投票驱动排行榜。Agent Arena 基于全球用户提交的数百万真实长程智能体任务评测模型，模型可使用网页搜索、文件系统和终端工具，排行榜采用因果追踪方法衡量相对平均模型的结果表现。

Claude Opus 5.5 登顶 Artificial Analysis Intelligence Index

Artificial Analysis 实测 Claude Opus 5.5 在 Intelligence Index 得分 58，为其测得的最高分，并在 Terminal-Bench 4.0 上与 GPT-6 Astra 打平（59.6%）。

OpenRouter 实测 Jev 1.13 与 Claude Opus 5 在 Banking77 分类任务上的准确率、延迟与成本

OpenRouter 用 Banking77 测试集的 3,080 条客服语料对比 Jev 1.13 与 Claude Opus 5 的意图分类表现。Jev 准确率 81.0% 比 Opus 的 84.4% 低 3.3 个百分点，但中位延迟 175 ms 约为 Opus（2,266 ms）的 1/13，每千次请求成本 $0.11 对 $2.42（启用提示词缓存）。

Artificial Analysis@ArtificialAnlysAI 评分7979

Artificial Analysis 评测显示 Claude Opus 5.5 以 58 分登顶 Artificial Analysis Intelligence Index，为其实测最高分。

MiMo-V2.6-Pro 智能水平、性能与价格分析

Artificial Analysis 页面显示，小米的 MiMo-V2.6-Pro 在 Artificial Analysis Intelligence Index 得分 46，远高于同类开源权重模型中位数 18。

卡兹克实测对比 Grok 4.7 与小米 MiMo V2.6：后者成不可能三角版本答案

作者实测同日凌晨发布的 Grok 4.7 与小米 MiMo V2.6，认为 Grok 4.7 低于预期，MiMo V2.6 成为性能、价格、速度三角的当前版本答案。

Artificial Analysis@ArtificialAnlys精选AI 评分6565

Artificial Analysis 评测阶跃星辰 Step 5 Preview，其在 Artificial Analysis Intelligence Index 得 44 分，与 Kimi K3 (max) 持平，略低于 GLM-5.3 (max) 和 Qwen3.8 Max 的 45 分，每任务成本约 $0.72，约为同级模型（约 $2.00）的 1/2.8。

Artificial Analysis 评测 Grok 4.7：智能指数 46 分进入前四，编码智能体升至第 4

Artificial Analysis 发布 Grok 4.7 评测，Grok 4.7（xhigh）智能指数得 46 分，较 Grok 4.6 高 2 分，使 SpaceXAI 进入前四；搭配 Grok Build 的编码智能体指数从 47 升至 56，仅次于 Claude Fable 5.1、GPT-6 Astra 和 Claude Opus 5。

Artificial Analysis@ArtificialAnlysAI 评分6666

Artificial Analysis 发布 Grok 4.7 评测，其在 Artificial Analysis Intelligence Index 得分 46，较 Grok 4.6 高 2 分，使 SpaceXAI 进入前四大 AI 实验室。