Claude Opus 4.8 在 Agent Arena 与 GPT 5.5 并列第一
Agent Arena 用真实任务和因果推断评估智能体，比传统基准更贴近实际使用场景。做智能体开发或选型的团队，值得关注这个排行榜来对比模型的实际表现。
#模型评测
共 97 条 · 7 天 9 条 · 30 天 38 条
6月10日
Claude Fable 5 登陆 LMSYS 竞技场，支持文本/视觉/文档/代码评测
Claude Fable 5 进入主流评测平台，做模型选型或 Agent 开发的团队可以直接在真实场景中对比它的表现，建议去 arena 投几票。
6月7日
产品01:13
Agent Arena 上线 Agent Mode：用前沿 AI 智能体完成真实工作Agent Mode 让 AI 智能体从聊天走向真实工作，做自动化、开发或研究的团队可以直接上手测试前沿模型的实际表现，还能影响排行榜排名，值得一试。
6月6日
Reve 2.0、MAI Image 2.5、Ideogram 4.0 登顶文生图竞技场
做设计或内容创作的团队，可以根据需求选模型——Reve 2.0 适合商业设计，MAI Image 2.5 适合 3D 和艺术，Ideogram 4.0 文本渲染强，值得对比试试。
6月5日
Arena 推出 Agent Mode，支持 GPT-5.5/Claude Opus 4.7 等模型
Arena 的 Agent Mode 让开发者可以直接对比前沿模型在真实任务中的表现，做 AI 评测或选型的团队值得一试。
6月4日
Ideogram 4.0 评测：超越 Midjourney v8，持平 FLUX
图像生成赛道竞争白热化，Ideogram 4.0 直接对标 Midjourney v8 和 FLUX，做 AI 绘画的团队值得关注这份横向评测，看看新模型是否值得切换。
模型00:30
Ideogram-4.0-Quality 开源模型登顶 Text-to-Image Arena 第8名开源图像生成模型终于追上闭源水平了，做 AI 绘画应用或自建图像生成管线的开发者可以直接下载权重和微调，值得试试。
6月3日
微软 MAI-Image-2.5 图像编辑排名第二，GPT-Image-2 仍居第一
图像编辑模型竞争白热化，微软 MAI-Image-2.5 已超越 Google，做 AI 图像生成或编辑的开发者可以关注这个新选择，看看它和 GPT-Image-2 的差距在哪。
6月2日
Minimax M3 在 BU Bench 测试中表现亮眼，与 Claude 4.6-sonnet 和 Gemini 3.5 flash 同级别
做浏览器自动化或智能体开发的团队值得关注——Minimax M3 用 26% 的提升证明自己已跻身第一梯队，可以直接拿来对比测试。
5月31日
DeepSWE 评分：Opus 4.8 强于 4.7，成本更低，但仍落后 GPT5.5
如果你在纠结是否升级到 Opus 4.8，这篇推文帮你省了试错成本——作者用真实体验告诉你，4.8 性价比提升但远不及 GPT5.5，做模型选型的开发者建议看看推文下的真实讨论。
5月29日
Claude Opus 4.8 发布，能力夺回第一，Anthropic估值9650亿美元
Claude Opus 4.8 在跑分上全面压制 GPT-5.5，做 AI 应用开发和模型评测的团队值得第一时间上手体验，ZenMux 已支持快速接入。
5月25日
Skywork发布OpenClaw环境训练的新模型，超越前沿开源模型
做工具使用和任务自动化开发的团队可以关注——Skywork用自建环境训练出了超越开源前沿的模型，而且提供了轻量版降低使用成本，值得试试。
5月23日
5月21日
Qwen 3.7 Max 发布，用二叉树Prompt测试表现
Qwen 3.7 Max 的发布值得关注，尤其是对AI模型编程能力感兴趣的开发者，可以用这个二叉树Prompt亲自测试它的表现，看看它和Gemini 3.5 Flash相比如何。
5月16日
中美AI差距缩至2.7%，Claude Opus 4.6 vs 百度Ernie 5.1
中美AI差距从278%缩到2.7%，做模型评测或关注国际竞争的团队值得一看——百度Ernie 5.1已经能跟Claude Opus 4.6 Thinking掰手腕了。