LMArena 推出 Agent Arena Index 与 Alignment Index 两类新榜单
智能体跑分一直缺个靠谱榜单,LMArena 这次用几百万条真实任务轨迹补上了,还单独加了一个衡量听不听话的 Alignment Index。选智能体方案的人可以直接去 leaderboard 上比一比各家的实际表现。
智能体跑分一直缺个靠谱榜单,LMArena 这次用几百万条真实任务轨迹补上了,还单独加了一个衡量听不听话的 Alignment Index。选智能体方案的人可以直接去 leaderboard 上比一比各家的实际表现。
智能体排行榜终于细分了,不再是一个笼统总分。Claude Fable 5.2 (Max) 拿下 1463 分领先 Gemini 和 GPT-6 一大截,选模型接活之前先看看这几个分项榜单再决定。
OpenAI 这次同时推了两款 GPT-6.2:Astra 冲性能榜,Sol 主打省钱,后者成本比 Astra 低七成左右还进了 Pareto 前沿。如果你在跑智能体或做 WebDev,这份基于 7.1K 真实会话的榜单数据比跑分更有参考价值,选型前值得对照看一下成本和分数的平衡点。