Arena.ai、Claude Opus 5.5はOpus 5より読みやすいが回答は長くなると指摘
Arena.aiは高推論のText Arena出力を比較し、Claude Opus 5からOpus 5.5にかけて12の文章指標のうち10が改善方向へ動いたとしている。平均回答語数は453語から481語に増え、「perhaps」などの留保表現は97%増加した。
#evaluation
すべてのAIニュースを見るAI at Metaによると、Muse Realtime Avatarがライブ通話の比較で優位だった
AI at Metaによると、評価者は2つの商用アバターシステムと2～3分間のライブ通話を行い、画質、同期、キャラクターの一貫性、しぐさを比較した結果、総合的にMuse Realtime Avatarを好んだ。
LangChain、エージェント評価の審査役としてJevが人間のレビュアーと一致したと報告、GPT-5.6およびClaude Sonnet 4.6と比較
LangChainは、エージェント評価の審査役としてJevをGPT-5.6 Luna、GPT-5.6 Terra、Claude Sonnet 4.6と比較検証し、すべての呼び出しで人間のレビュアーと一致、最大913倍低い分散、呼び出しあたり0.44秒、フル実行コスト0.34ドル（Claude Sonnet 4.6では28.17ドル）と報告した。
Jev-as-a-judgeがLangSmithで利用可能に
LangChainは、Jev-as-a-judgeがLangSmithで利用可能になったと述べている。同社は、すべての本番トレースをスコアリングでき、コストを上昇させずにトレースあたりより多くの基準をチェックでき、自動化された対応をトリガーできるほど迅速に安全性またはセキュリティの問題を捕捉できると主張している。
Elvis、Jevを使って約2.3K件のAI論文を83秒で0.14ドルで再タグ付けしたと報告
Elvis（@omarsar0）は、Jevを使って約2.3K件のAI研究論文を総費用0.14ドル、約83秒で整理したと述べた。Jevは以前のDeepSeek V4 Flashのタグの75%に同意し、約579件の高信頼度のトピック変更を見つけ、不一致30件の手動チェックはすべて受け入れられた後、変更が本番環境で適用されたと述べた。