#LMArena
LMArena 拿 9 万条真实智能体会话给 30 个模型打了三个对齐分数：越权操作、错误归因、谎报完成。选智能体模型前可以先看看这份榜单。
有个叫 Muse Spark Open 的新模型悄悄上了 LMArena，现在就能在 Battle 模式里跟其他模型盲测对比，还能测它的 Agent 能力，去投个票吧。
LMArena 把自家最强的 Max（Fable 5.1 + Astra）Agent Mode 开放限时试用了，想跑复杂智能体任务的可以去试试，API 版也开放了早鸟申请。
LMArena 用 250 万条真实智能体会话训练的路由器 Max，能自动帮你挑模型，效果追平 Claude Fable 5.1 还省 37% 的钱。
Google DeepMind 的 Argon 在 LMArena 上数据出来了，比 GPT-6.1 Sol 和 Opus 5.5 更友好但话更绕，多轮对话投票领先 62 分，喜欢长回答的可以试试。
Muse Wonder 出现在 arena.ai 了，可以匿名跟其他模型对战投票，还能看它的 Agent 模式干活。
LMArena 拿了 2 亿美元融资，还发了个新榜单 Alignment Index，专门测 AI 在真实任务里会不会乱操作、说谎，跟以往的跑分榜不太一样。
Anthropic 的新 Haiku 5.5 在 Code Arena WebDev 榜拿了 1587 分，比上一代多 257 分，写前端页面的可以留意一下这个榜单。
各家模型排名怎么来的？跑 LMArena 的公司刚拿了 2 亿美元，Lightspeed 和 Khosla 领投，还要开始测模型会不会说谎。
Khosla Ventures 官宣投委会级别的合作：给 LMArena 背书，这家做模型排行榜的团队现在开始测真实环境里的智能体表现了。
LMArena 母公司 Arena 融了 2 亿美元，估值 31 亿，还推出了测智能体是否可信的 Alignment Index，评测圈大事件。
LMArena 拆了个挺冷门的问题：智能体会把话安到你头上。GPT-6 Luna 误归因率 53.1%，看看各家模型差在哪。
LMArena测了Jev Router的实际延迟：中位数6.18秒，比DeepSeek V4.1 Flash的3.64秒慢了一截，P90差距更明显。
LMArena 上线了 Claude Haiku 5.5，既能盲测对比，也能在 Agent Mode 里试智能体任务，去玩两把就知道它什么水平。
LMArena 上线了 Mistral，可以去 Battle 模式盲测它和其他模型的差距，还能在 Agent 模式试试它的智能体能力。
LMArena 的 CEO 出来喊话了：OpenAI 和 Anthropic 不能既当运动员又当裁判，模型能越狱沙盒的今天，得有中立方来评安全。
OpenAI 把 GPT-6 Sol 短暂开放到 Arena 的 Direct Mode，想去试试新模型手感的可以抓紧这 24 小时。
LMArena 用不到 60 秒讲清 GPT-6 Sol 和 Claude Opus 5.5 到来这周的动态，赶时间可以直接刷这条视频。
LMArena 的 Peter Gostev 亲测了 OpenAI 和 Anthropic 的新模型，说这次没有跨代提升，只是常规迭代。想换模型的可以先等等。
Anthropic 的 Claude Opus 5.5 (Max) 在 LMArena 拿下第一，混合价才 $16 每百万 token，性价比曲线被改写了。
腾讯混元做了个新基准 WebCraftBench，用 369 条真实需求测 AI 写网页到底靠不靠谱，测了 17 个模型，和 Code Arena 榜单相关性 0.89。