Arena.ai 称 Claude Opus 5.5 比 Opus 5 更易读，但回答更长
Arena.ai 比较了高推理强度的 Text Arena 输出，称从 Claude Opus 5 到 Opus 5.5，12 项写作指标中有 10 项朝更好的方向变化。平均回答从 453 词增至 481 词，而 “perhaps” 一类的保留说法上升了 97%。
#evaluation
查看全部AI快讯AI at Meta 称 Muse Realtime Avatar 在其实时通话对比中领先
AI at Meta 称，评分者在与两套商业虚拟形象系统进行 2–3 分钟实时通话后，总体上更偏好 Muse Realtime Avatar；比较维度包括视觉质量、同步、角色一致性和举止。
LangChain 报告称作为智能体评估评判，Jev 与人类评审员匹配，对比 GPT-5.6 和 Claude Sonnet 4.6
LangChain 表示，其将 Jev 与 GPT-5.6 Luna、GPT-5.6 Terra 和 Claude Sonnet 4.6 作为智能体评估评判进行了对比测试，报告称每次调用均与人类评审员匹配，方差最高降低 913 倍，每次调用耗时 0.44 秒，完整运行成本为 0.34 美元，而使用 Claude Sonnet 4.6 为 28.17 美元。
Jev-as-a-judge 现已在 LangSmith 中可用
LangChain 表示，Jev-as-a-judge 现已在 LangSmith 中可用。该公司声称，它可以对每条生产轨迹打分，在成本不上升的情况下检查每条轨迹的更多标准，并足够快地发现安全或安保问题以触发自动响应。
Elvis 称使用 Jev 为约 2.3K 篇 AI 论文重新打标签，花费 0.14 美元，耗时 83 秒
Elvis（@omarsar0）称他使用 Jev 整理约 2.3K 篇 AI 研究论文，总成本 0.14 美元，耗时约 83 秒。他表示 Jev 与此前 DeepSeek V4 Flash 标签的一致率为 75%，发现约 579 处高置信度主题变更，并对 30 项分歧进行人工核对后全部接受，随后将这些变更应用到生产环境。