Artificial Analysis@ArtificialAnlys精选AI 评分7070
推荐理由：原文给出三大新模型组合在 Coding Agent Index 的得分与单任务成本对比，读者可以据此在性能和价格之间做选型权衡。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
最新精选
第 1–11 条 · 共 11 条- Artificial Analysis@ArtificialAnlys精选AI 评分7070
- Artificial Analysis@ArtificialAnlys精选AI 评分6767
推荐理由：独立评测方自托管实测两个图像榜单排名，并对比上一代和同类开源模型，读者可了解其在开源阵营中的位置。
- Artificial Analysis@ArtificialAnlys精选AI 评分6666
推荐理由：原文拆解了 GPT-6.1 Sol 单任务成本下降的具体构成，读者可以了解降价来自更少的轮次和更低的缓存读取价格。
elsewhere articles精选AI 评分6565 Step 5 Preview 实测：榜单之外的真实表现与短板
阶跃毫无预兆发布 Step 5 Preview，总参数量 600B、激活 27B，带视觉输入，称 Artificial Analysis 上涨 44 分、全球开源前三，单任务成本仅为 Claude Opus 5 的 1/8。
推荐理由：作者与朋友实测了 Step 5 Preview 在可视化、金融、游戏等任务上的真实表现，补上了榜单分数之外的第一手体感参考。
OpenRouter Announcements精选AI 评分6161 OpenRouter 实测 Jev 1.13 与 Claude Opus 5 在 Banking77 分类任务上的准确率、延迟和成本
OpenRouter 用 Banking77 测试集的 3,080 条客服语句对比 Jev 1.13 和 Claude Opus 5 的意图分类能力。
推荐理由：原文给出了同一测试集下的准确率、延迟和成本对比，以及置信度级联方案，可用于判断小判断模型能否替代前沿模型。
OpenRouter Announcements精选AI 评分8080 OpenRouter 实测20个图像生成模型的真实成本、编辑与质量差异
OpenRouter 用同一提示词实测20个图像生成模型的真实计费，1024x1024 单张图价格在 $0.006（openai/gpt-image-2）到 $0.1344（google/gemini-3-pro-image）之间，相差22倍。
推荐理由：原文用统一提示词实测20个图像模型的实际计费，给出按任务选模型的结论，比照牌价更可靠。
OpenRouter Announcements精选AI 评分6565 OpenRouter 上线实时网络搜索基准：比较引擎、深度与模型的取舍
OpenRouter 发布实时网络搜索基准榜单，覆盖 BrowseComp、DeepSearchQA、WideSearch 和 HLE 四套评测，比较模型、引擎（Exa、Parallel、Perplexity 及 OpenAI、Anthropic、Google 原生搜索）、搜索方法与预算的组合。
推荐理由：原文用四套实时榜单量化搜索预算、引擎与模型对质量和成本的影响，还给出可直接套用的参数配置方法。
OpenRouter Announcements精选AI 评分7171 OpenRouter 实测图像 detail 参数：推理模型用 low 更贵更差
OpenRouter 在 MMMU-Pro Vision（1,730 题）上基准测试 OpenAI 和 Google 五款模型的图像 detail 设置，发现 gpt-5.5 用 low 比 auto 低 13.8 分（65.2% vs 79.0%）且每题更贵（5.1¢ vs 4.5¢），原因是模型为看清热压缩图像多花 1.6x 推理 token。
推荐理由：基于 MMMU-Pro Vision 实测五款模型，给出推理模型保持 auto 细节、改调 reasoning effort 省钱的可操作结论。
Sierra Blog精选AI 评分6464 Sierra 发布 𝜏-voice 基准，在真实语音条件下评测实时语音 Agent
Sierra 团队推出 𝜏-voice 基准，将 𝜏-bench 的 278 个客服任务与全双工实时语音、可控真实音频结合，任务、工具和评估器与文本版逐字节一致，语音成绩可与文本 Agent 直接对比。
推荐理由：语音与文本能力可在同一套任务上直接对比，还给出了噪音与口音下各厂商的具体失败模式。
AI as Normal Technology精选AI 评分7474 Sayash Kapoor 等人提出开放世界评测并发布 CRUX 项目，AI 智能体成功上架 iOS 应用
Sayash Kapoor 与 Arvind Narayanan 等 17 位研究者发布 8000 字论文，定义开放世界评测这一新兴评测类型，并介绍定期开展此类评测的 CRUX 项目。
推荐理由：文章界定了开放世界评测这一新兴评测类型，并以 CRUX 首个实验给出智能体发布 iOS 应用的具体过程与成本细节。
AI as Normal Technology精选AI 评分7070 AI as Normal Technology 团队发布论文《Towards a Science of AI Agent Reliability》
Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。
推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。