LMArena 相关 AI 资讯 · AITOP · AI热报

8月18日

06:11

06:11

lmarena.ai@lmarena_ai

精选

LMArena的Agent Leaderboard基于170万+次真实Agent Mode会话分析，新增按任务类型筛选功能，用户可按Code、Work、Chat三类对比模型性能。排行榜同时展示每个模型完成单次任务的实际成本，并标出各性能水平下最省钱的Pareto前沿选项。这一更新让模型选择不再只看分数，还能结合具体场景和花费做决策。

AI产品 Agent Leaderboard LMArena 智能体

推荐理由：选模型前先看看这个排行榜，现在能按写代码、干活、聊天分开比，还直接告诉你每单花多少钱，省得自己瞎试。

8月15日

02:58

02:58

lmarena.ai@lmarena_ai

精选

Z.ai 的 GLM-5.3 即将上线 LMArena 评测平台。官方将对比 GLM-5.1 与 GLM-5.2 的表现。此前 GLM-5.2 在 Agent Arena 的 5 项信号上取得进展，包括任务成功率与用户夸奖/抱怨等隐式反馈。新版本将检验这些改进能否延续。

AI模型 GLM-5.3 Z.ai LMArena

推荐理由：GLM-5.3 要上 LMArena 了，这次直接和前两代同台对比，想蹲 Z.ai 迭代幅度的话可以盯一下。

8月14日

02:45

02:45

lmarena.ai@lmarena_ai

LMArena 官方发布了 Code Arena 的 WebDev 子榜与 Text Arena 的完整排行榜。两份榜单均托管在 arena.ai 的 leaderboard 页面下。该榜单基于用户对战投票，反映模型在网页开发与文本任务上的能力对比。具体模型排名可在对应页面查看。

AI产品 LMArena Code Arena Text Arena

推荐理由：LMArena 把 Code Arena（WebDev）和 Text Arena 的完整榜单放出来了，想看模型在网页开发和文本任务上的排名，直接点链接查。

02:23

02:23

lmarena.ai@lmarena_ai

81°

Google DeepMind 发布 Gemini 3.7 Flash (High)，已在 LMArena 的 Code Arena: WebDev 和 Text Arena 上线。该模型在 WebDev 排名从第 19 位升至第 8 位，明显优于上一代 Gemini 3.6 Flash (High)。它在数据与分析类别排名第 7，在模拟、游戏与内容创作工具类别排名第 8，在参考设计类别排名第 9。

AI模型 Gemini 3.7 Flash Google DeepMind LMArena

推荐理由：谷歌 DeepMind 的新 Flash 模型在 WebDev 榜冲到第8，比上代进步不小，做网页或数据任务可以试试。

8月13日

18:05

18:05

lmarena.ai@lmarena_ai

LMArena在X平台发布了AutoEval方法论的讲解视频，并附有详细文章链接。视频地址为youtu.be/xlfuhC2GWos，文章可在x.com/i/article/2085查看。该推文已获得1742次浏览，但互动量较低，仅有2个赞。

论文 LMArena AutoEval 模型评测

推荐理由：LMArena这段视频把AutoEval评测方法讲得挺清楚，还配了文章，想研究模型评测的可以戳进去看看。

17:53

17:53

lmarena.ai@lmarena_ai

Arena AutoEval利用数千万条真实人类对战数据训练奖励模型，能在数小时内完成新模型评估，而传统流程通常需要数周。该方法通过人类提示和模型响应进行评分，保持实时基准特性，不同于LLM-as-judge方式。Arena ML工程师Haoran Guo和Wayne Zhang在视频中讲解了其方法论与应用场景。

AI模型 Arena AutoEval 模型评估奖励模型

推荐理由：LMArena出了个AutoEval，拿历史对战数据训练奖励模型，几小时就能出评估结果，比之前快多了，搞模型的可以看看。

17:51

17:51

lmarena.ai@lmarena_ai

81°

LMArena分析了数万条Claude Opus和Fable从4.5到5版本的真实高推理输出。Opus 5平均每响应510个词，是Opus 4.5平均158个词的3倍多。句子长度上升58%，从句频率上升46%，但长实词占比从46.9%降至40.1%，抽象名词每千词从6.02个降至3.79个。Opus 5的破折号使用量是4.5的2.3倍，'honestly'等诚实类措辞增加50%。Fable 5平均316个词，比Opus 5短38%，但包含赞扬或'yes, exactly'式开头的概率接近2倍。

AI模型 Claude Opus Fable

推荐理由：Claude Opus 5和Opus 4.5差多少？LMArena用数据告诉你：回复长度是4.5的3倍，词汇反而更简单，破折号也更多。

00:27

00:27

lmarena.ai@lmarena_ai

79°

xAI 推出 Grok 4.6，在 LMArena 的 WebDev 基准上以 1618 分排名第7。相较 Grok 4.5 的 1553 分（第13名）提升明显，且定价保持不变。目前 Grok 4.6 与 GPT-5.6 Sol xHigh（1622 分）和 Claude Fable 5（1627 分）仅差 4 到 9 分，三者同处第5至第7区间。

AI模型 Grok 4.6 xAI LMArena

推荐理由：xAI 把 Grok 4.6 放出来了，网页开发能力直接冲到 LMArena 第7，跟 GPT-5.6 和 Claude 最新版就几分之差，这代提升挺猛。

8月8日

13:46

13:46

lmarena.ai@lmarena_ai

Grok Imagine Image 2.0 (Low) 由 @SpaceXAI 发布，在 LMArena 图像编辑竞技场首次亮相即获第二名，得分 1439 分。相比 Grok Imagine Image Quality 的第 7 名，新模型排名提升 5 位。在按类别统计中，除 Art 外所有类别均列第二，Art 得分待更多投票后公布。

AI模型 Grok Imagine Image 2.0 Grok Imagine Image LMArena

推荐理由：Grok Imagine Image 2.0 (Low) 在图像编辑榜冲到第二，1439 分，比自家 Quality 版升了 5 位，值得一试。

8月4日

23:40

23:40

lmarena.ai@lmarena_ai

精选

LMArena 公布 DeepSeek-V4-Flash-20260731(High) 的五项关键信号。总体得分上升 1.98%，确认成功项提升 6.99%，好评对差评比增加 1.54%。可引导性下降 2.31%，Bash 恢复得分 2.53%，工具幻觉率 1.2%。数据来自竞技场真实用户反馈。

AI模型 DeepSeek DeepSeek-V4-Flash LMArena

推荐理由：想知道 DeepSeek 最新版行不行？看这五个真实用户信号，总体涨近2%，确认成功涨7%，但可引导性跌了。

8月1日

03:42

03:42

lmarena.ai@lmarena_ai

OpenAI 的 GPT-5.6 家族 Sol、Terra、Luna 已在 ChatGPT、Codex 和 API 中开始推出。在 LMArena 全栈代码竞技场中，Sol 以 1638 分排全栈第 3，总榜第 5；Terra 全栈 1579 分列第 10，总榜第 20；Luna 全栈 1568 分列第 14，总榜第 18。Opus 5 (Max) 即将加入全栈榜单。

AI模型 GPT-5.6 OpenAI LMArena

推荐理由：OpenAI 的 GPT-5.6 三兄弟开测，Sol 全栈第 3，Terra 和 Luna 也进 top20，挑模型看这个。