震惊瘫坐！Opus 5.5的AAII比Fable 5.1以及Astra高出了整整5分！！！巨幅提升！！！

artificialanalysis.ai

Intelligence Evaluations - Claude Opus 5.5 (max with fallback) - Intelligence,...

Agentic knowledge work, (Elo-500)/2000 | Analysis of Anthropic's Claude Opus 5.5 (Adaptive Reasoning, Max Effort, Default Fallback) and comparison to other AI models across key metrics including quality, price, performance (tokens per second & time...

全方面的强

这下国产模型很难追上了啊。

从鹈鹕质量看起来没有更好

得比比笑话了

因为A÷、O÷都开始搞反蒸馏

而且国内算力就跟不上

吓晕瘫坐，仿佛看到原子弹爆炸^-^

Opus 5.5的token效率有所提升，比Astra更强，不过看起来Medium的思考强度效率最高。

目前的几个鹈鹕已经展现出了超越一众模型的动态表现了吧？

震惊到直接瘫倒在地！！！

Opus 5.5的AAII直接把Fable 5.1和Astra甩出五条街！！！整整高出整整5分！！！这已经不是提升了，这是核爆级碾压！！！历史性断层！！！宇宙级暴打！！！直接把天花板捅穿然后再往上飞三层楼！！！

太夸张了！！！简直离谱到让人怀疑人生！！！

比映象中的 astra 差很多
[3647f606d0307f5f61ccd22da3447079]

我觉得没有耶

目前看来针对Agentic Coding，Med和High都是不错的甜点

Ref三个Benchmark：

震惊，Opus牙膏不小心挤多了，O​^-^的Astra立马恢复智商 ^-^

佬，这是哪个网站，能统一看不同benchmark？

还是claude自己的？

AA就是个垃圾benchmark

Artificial Analysis

artificialanalysis.ai

Claude Opus 5.5 (max with fallback) - Intelligence, Performance & Price...

Analysis of Anthropic's Claude Opus 5.5 (Adaptive Reasoning, Max Effort, Default Fallback) and comparison to other AI models across key metrics including quality, price, performance (tokens per second & time to first token), context window & more.

aa 和 arena 都是纯纯野榜啊

AA是Benchmark融合分数，并含有自己的私有测试集，在新的 v4.3.2 下恢复了一定的公信力，但仍存在饱和和刷分的情况

Arena则是纯人类投票，其代表了广泛人类的偏好，出了AutoEval那个垃圾东西之外，其余数据是大多可信的

Arena 这个榜它特别容易被刷呀，当年有无数模型狂刷 Arena 榜，什么百度文心一言当榜首，还有什么LLaMA4 刷到很高的分，后来发现是一坨。

反正我记得这个榜特别容易刷原因之一，是可以通过讨好用户来提高分数。

当然，这些刷榜问题可能都是一年前的事情了，现在不太清楚。但反正因为这些事情，我是不太相信 arena 的。

讨好人类也是一种人类偏好的体现，这也是当前Llama 4获得高分的原因

大可以不看Text榜单，只看WebDev这些，还是有参考意义的

就近期来看，Arena应该是没什么刷榜行为的，但是AAII的公信度在前段时间遭受到了严重的质疑，随后官方连续更新，换了新的Benchmark和加权算法，升级到了V4.3.2