Chinese contentJev Router 中位延迟 6.18 秒，高于 DeepSeek V4.1 Flash 的 3.64 秒
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
71 stories · 9 in 7 days · 40 in 30 days
Oct 8
Chinese contentClaude Haiku 5.5 上线 LMArena，支持 Battle Mode 和 Agent Mode 测试
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。
Oct 7
Oct 6
Chinese contentMistral 上线 LMArena：支持 Battle 与 Agent 两种模式
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。
Chinese contentArena CEO：模型安全不能只靠 OpenAI 和 Anthropic 自评
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。
Oct 4
Chinese contentAgent Arena 排行榜上线：查看智能体成绩与 Pareto 前沿
LMArena 的智能体榜单更新了，能看各家 agent 的实时排名和性价比前沿，选模型前可以去对照一下。
Sep 29
Chinese contentOpenAI 的 GPT-6 Sol 限时上线 Arena Direct Mode 可直接测试
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。
Sep 26
Chinese contentLMArena周报：GPT-6 Sol 与 Claude Opus 5.5 登场
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。
Sep 25
Chinese contentAgent Arena 排行榜上线：用真实长程智能体任务评测模型
LMArena 团队搞了个 Agent Arena 榜，不用考试题，直接看模型配搜索、终端工具干真实活儿的结果，选模型前可以去看看。
Chinese contentArena 推出改版后的排行榜总览页面
Arena 把所有排行榜整合到了一个页面，查 GPT-6 Sol 或 Claude Opus 5.5 的分数和各类别排名不用来回切了。
Chinese contentLMArena 高管：OpenAI 与 Anthropic 新模型只是迭代，未到新前沿
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。
Sep 24
Chinese contentClaude Opus 5.5 (Max) 以混合价 $16/Mtoken 登顶性价比前沿
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。
Chinese content腾讯混元联合 LMArena 推出 WebCraftBench 基准
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。
Sep 23
Chinese contentOptimal Sequential Annotations for Off-Policy Evaluation：有限标注预算下的双稳健估计方法
标注预算不够又想评估策略？这篇 arXiv 论文告诉你怎么分配人工标注最省钱，RMSE 能降一半以上。
Chinese contentGPT-6 Sol 与 GPT-6 Luna 上线 LMArena 测试，评分即将公布
GPT-6 两个新模型已经在 LMArena 可以测了，评分还没出，想抢先体验可以现在去投票。有人还拿它和 GPT-5.6 同条件跑了对比，token 用量和速度都测了。
Chinese contentLMArena 上架 GPT-6 Sol 与 GPT-6 Luna 可测试
OpenAI 的 GPT-6 Sol 和 Luna 已悄悄上线 LMArena，现在能免费对比测试，还能开 Agent Mode 玩玩，趁匿名期去投你的票。
Chinese contentLMArena 上线 Opus 5.5 试用，支持 Battle Mode 和 Agent Mode
想在正式发布前试试 Opus 5.5 的可以去 arena.ai，既能盲测对比，还能开 Agent Mode 跑任务。
Aug 18
Aug 15
Chinese contentGLM-5.3 即将登陆 LMArena，对比 GLM-5.1 与 5.2
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。
Aug 14
Products02:45
Chinese contentLMArena 发布 Code Arena 与 Text Arena 完整排行榜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。
Chinese contentGemini 3.7 Flash 上线，Code Arena WebDev 排名跃至第8
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。
Aug 13
Papers18:05
Chinese contentLMArena发布AutoEval自动评测方法论视频与文章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。
Models17:53
Chinese contentArena AutoEval将模型评估周期从数周压缩至数小时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。
Chinese contentLMArena：Claude Opus 5写作更长、词汇更简单
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。
Chinese contentGrok 4.6 发布，LMArena WebDev 排名第7
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。
Aug 8
Chinese contentGrok Imagine Image 2.0 (Low) 在图像编辑竞技场排名第二
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。
Aug 4
Chinese contentDeepSeek-V4-Flash 五项信号公布：总体+1.98%，确认成功+6.99%
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。
Aug 1
Chinese contentGPT-5.6 家族 Sol/Terra/Luna 登陆 LMArena 全栈榜单
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。