Arena.ai 表示 Claude Opus 5.5 比 Opus 5 更易讀，但回答更長
Arena.ai 比較高推理 Text Arena 輸出後表示，由 Claude Opus 5 到 Opus 5.5，12 項寫作指標中有 10 項朝較佳方向變化。平均回答由 453 詞增至 481 詞，而「perhaps」等模糊限定用語上升 97%。
#evaluation
查看全部AI快訊AI at Meta 表示 Muse Realtime Avatar 在其即時通話比較中領先
AI at Meta 表示，評分者與兩套商業虛擬人系統進行 2 至 3 分鐘即時通話後，整體更偏好 Muse Realtime Avatar；比較範圍包括畫面質素、同步、角色一致性與神態舉止。
LangChain 報告 Jev 作為代理評估評判與人類審核者一致，對比 GPT-5.6 及 Claude Sonnet 4.6
LangChain 表示已測試 Jev 對比 GPT-5.6 Luna、GPT-5.6 Terra 及 Claude Sonnet 4.6 作為代理評估評判，報告每次呼叫均與人類審核者一致，方差最多低 913x，每次呼叫 0.44s，完整運行成本為 $0.34，而使用 Claude Sonnet 4.6 則為 $28.17。
Jev-as-a-judge 現已於 LangSmith 推出
LangChain 表示 Jev-as-a-judge 現已於 LangSmith 推出。該公司聲稱它可為每條生產追蹤評分、在成本不上升的情況下為每條追蹤檢查更多準則，以及足夠快地捕捉安全或保安問題以觸發自動回應。
Elvis 報告使用 Jev 以 $0.14、83 秒為 ~2.3K 篇 AI 論文重新標籤
Elvis（@omarsar0）表示，他使用 Jev 整理約 2.3K 篇 AI 研究論文，總成本 $0.14，耗時約 83 秒。他稱 Jev 與先前 DeepSeek V4 Flash 標籤的吻合度為 75%，並發現約 579 項高信心主題變更；對 30 項分歧的人工檢查全部獲採納後，這些變更已套用至生產環境。