Surge AI 盲测编程能力：Mistral Large 4 位列总榜第二
Surge AI 配合 Mistral Large 4 发布评估了五款前沿模型的代码审查质量，该模型在开放权重模型中排名第一，总榜仅次于 Opus 5 位列第二。
#model-evaluation
查看全部AI快讯Arena.ai 发现 AI 评审更偏向自己的答案，而非人类投票
Arena.ai 将 12 个模型的 34,580 次裁决与人类投票进行了比较，覆盖 1,460 场 Arena 对战。平均而言，模型有 58% 的时间选择自己的答案，而人们选择同一答案的比例为 34%。
Databricks 测试发现 Opus 5.5 与 GPT-6 Luna 拓展编程的成本与质量前沿
Patrick Wendell 表示，Databricks 对 2,400 名工程师在线工作负载的分析，加上离线评测，发现 Opus 5.5 与 GPT-6 Luna 拓展了成本与质量前沿。Opus 5.5 将相同任务的成本较 Opus 4.8 降低 20%，Databricks 正鼓励将其作为日常编程的默认模型。
论文发现个人 AI 代理会向被推断为富裕的用户推荐更贵选项
一篇新论文报告，13 个模型中有 8 个在请求保持相同时，仍会为被推断为富裕的用户选择更贵的航班、医疗保险或研究生项目。Claude Opus 4.8 的价差最高达到每趟航班 198 美元、保险每月 284 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 推出重新设计的排行榜概览
新概览汇总新加入模型、分类表现、能力说明和 Arena 动态的实时信号，并可展示 GPT-6 Sol、Claude Opus 5.5 等模型的跨竞技场分数。
Arena 展示 Claude Opus 5.5 与 GPT-6 Sol 的并排输出
Arena.ai 表示，已生成 Anthropic 的 Claude Opus 5.5 与 OpenAI 的 GPT-6 Sol 的并排输出，Claude Opus 5.5 的评分即将公布。
Command Code 在 3D SubwayBench 上给三款模型打分
使用相同的 /design 提示，Command Code 给 DeepSeek-V4.1-Flash 打出 9/10、费用 0.024 美元，给 Mimo-V2.6-Flash 打出 8/10、费用 0.018 美元，给 Grok-4.7 打出 3/10、费用 0.35 美元。
Artificial Analysis 新增九种语言的 TTS 排行榜
Artificial Analysis 已将 Controlled Voice Arena 扩展至日语、普通话、印地语、西班牙语、德语、法语、葡萄牙语、越南语和阿拉伯语，并为每种语言单独设立文本转语音排行榜。排名采用该语言的母语提示词、标准化克隆语音，以及母语使用者的偏好投票。
Artificial Analysis 新增九种语言的文本转语音排行榜
Controlled Voice Arena 现已对日语、普通话、印地语、西班牙语、德语、法语、葡萄牙语、越南语和阿拉伯语的文本转语音模型进行排名。Cartesia 的 Sonic 系列在九个榜单中的八个领先，Inworld AI 的 Realtime TTS-2 在普通话榜单排名第一。
Arena.ai 称 GPT-6 Sol 与 GPT-6 Luna 的评分即将公布
OpenAI 的两款模型已可在 Arena 上测试，针对真实世界智能体任务的投票会计入排行榜。Arena.ai 称，petergostev 还用相同提示词、在最高推理设置下比较了 GPT-6 Sol 与 GPT-5.6 Sol。
OpenAI 提出独立评估的四个优先领域
OpenAI 表示将支持独立评估，并在训练、评估和部署环节提供深入访问，同时概述四个优先领域以及严谨、安全、独立开展工作的原则。