#arena-ai

Arena.ai 在 Agent Arena 上基于逾 4,700 次智能体测试评估 Jev Router

Arena.ai 在 Agent Arena 上针对 typesafeai 开发的 Jev Router 开展了逾 4,700 次智能体测试。结果显示，虽然该路由模型未能突破现有帕累托前沿，但在响应用户反馈方面展现出了强大的可控性。

Claude Haiku 5.5 现已上线 Arena.ai 的 Agent Arena 与 Code Arena

Arena.ai 已将 Anthropic 的 Claude Haiku 5.5 接入 Agent Arena 以及 Code Arena 的 WebDev、Text、Document 和 Vision 赛道，基准评测分数即将公布。

Mistral Large 4 位列 Code Arena: WebDev 榜单第 45 名

Mistral Large 4 以 1,534 分在 Arena.ai 的 Code Arena: WebDev 榜单上位列第 45 名，与 Claude Opus 4.8 (High) 仅差 2 分，混合 Token 成本仅为后者的近六分之一。

Google Nano Banana 2.1 登上 Arena.ai 图像生成与编辑榜单

Arena.ai 将 Google 的 Nano Banana 2.1 纳入其文生图、图像编辑和多图编辑竞技场；该模型在多图编辑中排名第四，在文生图中排第五，在图像编辑中排第六。

Mistral Large 4 现已上线 Arena.ai 的 Agent Arena 与 Code Arena

Arena.ai 已将 Mistral AI 的 Mistral Large 4 引入 Agent Arena 供用户测试，同时该模型也已上线涵盖 WebDev、Text 和 Vision 的 Code Arena。该模型总参数量为 1 万亿，激活参数量为 490 亿，评测得分即将公布。

Arena.ai 公布 Agent Arena 榜单，涵盖代码、工作与对话三大领域

Anthropic 旗下模型领跑全部三大领域：Claude Fable 5.1 (Max) 位列代码与工作领域第一，Claude Sonnet 5.5 (Max) 领跑对话领域。OpenAI 的 GPT 6 Astra (Max) 在所有分类中均位列前四。

Claude Sonnet 5.5（High）在 Code Arena WebDev 排名第四

Arena.ai 将 Anthropic 的 Claude Sonnet 5.5（High）排在 Code Arena: WebDev 第四，得分为 1,699 分，综合价格为每百万 token 8 美元，比 Sonnet 5（High）高 159 分。

GPT-6 Luna（Max）进入 Arena.ai 的 Agent Arena 帕累托前沿

Arena.ai 现将 OpenAI 的 GPT-6 Luna（Max）列入 Agent Arena 帕累托前沿，净提升为 +1.59%，每项任务的中位成本为 0.05 美元。它比 DeepSeek-V4.1-Flash 便宜 29%，比 Hy4 preview 便宜 76%，净提升分数分别落后 2.27 和 2.51 个百分点。

Arena.ai 将 GPT-6 Luna（Max）列为 Agent Arena 第 23 名

Arena.ai 报告，OpenAI 的 GPT-6 Luna（Max）在 8,000 次真实世界智能体会话中净提升 +1.6%，每项任务中位成本为 $0.05。它未达到 Agent Arena 的帕累托前沿。

Melissa Pan 表示，编程智能体的 harness 选择对成本的影响大于准确率

Melissa Pan 比较了 Claude Code、Codex 和 Pi，并报告称，围绕 AI 模型的系统，即 harness，对成本的影响大于对准确率的影响。她提出三项发现；公告中只陈述了这一项。

Claude Sonnet 5.5 加入 Arena.ai 的 Agent Arena 与 Battle Mode

Arena.ai 已将 AnthropicAI 的 Claude Sonnet 5.5 加入 Agent Arena，以及面向 WebDev、Text、Vision 和 Document 的 Battle Mode。Claude 称，它是第二款 Claude 5.5 模型，运行速度比 Sonnet 5 快 30% 以上，多数工作的成本最多低 30%。

Claude Opus 5.5（High）以低 40%–56% 的成本超过此前的 Opus 5 版本

Arena.ai 将 Claude Opus 5.5（High）列为 Agent Arena 第 2 名，每项任务中位成本为 1.31 美元，净提升 +12.15%。其得分高于 Opus 5（Max）和 Opus 5（High），成本低 40%–56%。

Claude Opus 5.5（High）在 Arena.ai Agent Arena 排名第二

Arena.ai 将 Anthropic 的 Claude Opus 5.5（High）排在 Agent Arena 第二，净提升为 +12.15%。仅 Fable 5.1（Max）排名更高。Arena.ai 给出的中位价格为每项任务 1.31 美元，低 64%。

Arena.ai 将 Claude Opus 5.5（High）列为 Text Arena 第 1，得分 1,509

Arena.ai 称 Claude Opus 5.5（High）以 1,509 分领跑 Text Arena，比 Opus 5（High）高 18 分，比位居第二的 Opus 4.6（High）高 4 分。Arena.ai 还称 Anthropic 占据全部前六名，且 Opus 5.5（High）位于帕累托前沿，综合价格为每百万 token 16 美元。

Arena.ai 将 GPT-6 Sol（Max）列在 Agent Arena 第六，净提升 +7.7%，每项任务成本 0.75 美元

Arena.ai 称，OpenAI 的 GPT-6 Sol（Max）在 4,000 余次真实世界智能体任务会话中净提升 +7.7%，每项任务中位成本为 0.75 美元。它落后 Claude Fable 5（High）0.60 个百分点，但每项任务成本低 56%。

Arena.ai 将 GPT-6 Sol（Max）在 Agent Arena 排在第六，净改善率为 7.7%

Arena.ai 称，GPT-6 Sol（Max）在 4000 余次真实世界智能体会话中净改善率为 +7.7%，排名第六。相较 GPT-5.6 Sol（xHigh），该结果由 +6.2% 和第八名上升，每 token 价格为其一半。

Arena.ai 将 Grok 4.7（xHigh）在 Agent Arena 排第 16，净改善为 +3.96%

Arena.ai 将 SpaceXAI 的 Grok 4.7（xHigh）在 Agent Arena 排第 16，净改善为 +3.96%，每项任务的中位成本为 1.14 美元，高于 Grok 4.6（High）和 Grok 4.5。

Arena.ai 将 GPT-6 Luna（Max）在 Code Arena WebDev 中排在第 24 位

GPT-6 Luna（Max）得分为 1,593 分，比排在第 41 位的 GPT-5.6 Luna（xHigh）高 74 分。Arena.ai 称，它与 Gemini 3.7 Flash High 和 Qwen 3.8-27B 表现相当，综合价格为每百万 token 0.40 美元。

Arena.ai 将 Claude Opus 5.5 (Max) 列为 Code Arena WebDev 第一

Arena.ai 称，Claude Opus 5.5 (Max) 在其 Code Arena WebDev 排名中位列第一，混合价格为每百万 token 16 美元，比排名其后的 GPT-6 Astra (Max) 低 60%。评分基于 Arena.ai 全球社区的实时使用。

Arena.ai 称 Claude Opus 5.5（Max）以每百万 token 16 美元实现顶尖性能

Arena.ai 称，Claude Opus 5.5（Max）以每百万 token 综合 16 美元的价格实现顶尖性能，并将这一性价比点描述为重塑了帕累托前沿。