AI评测

推荐理由：让用户直接看不同模型在同一任务上的输出对比，比只看基准数字直观多了，还能知道哪个实际表现更好。

推荐理由：OpenAI 自己搞了个硬核自主任务基准 GDPval，花了大钱，结果 GPT-5.6 的成绩藏起来了。背后有啥故事？不点进来看看？

推荐理由：Arena 8个月做到1亿美元年收入，它的 Agent Arena 能测 AI 智能体在真实任务里的表现，比传统投票评测更硬核。

推荐理由：AI 评测的公平性直接影响模型选择和技术方向，做模型选型或评测的开发者值得关注这个争议，看完会重新审视排行榜的参考价值。