研究显示 Claude Opus 5 在会计任务上 20 题全对，12 名注册会计师正确率 0% 至约 90%

一项针对中等长度、定义明确的会计任务的研究发现，前沿 AI 模型比初级会计师更快更准确，甚至优于研究中表现最好的会计师。Claude Opus 5 在 20 道题中取得 20 题全对、正确率 100%，每题几分钟内完成；12 名持证注册会计师的正确率从 0% 到约 90% 不等，其中数人用完了 3 小时时限。研究还提到，18 个月前这些模型在同类任务上的得分远低于人类会计师。

Blackstone 总裁 Jon Gray：会计、法律、金融等规则型业务将被 AI 彻底颠覆

Blackstone 总裁兼 COO Jon Gray 此前已提出，会计、法律、金融等规则型业务将被 AI 彻底颠覆，JPMorgan 已用 AI 取代代理顾问处理股东投票。一则对比显示，Claude Opus 5 在 20 项任务中全部以 100% 正确率完成且每项仅需数分钟，而 12 名持证 CPA 的正确率从 0% 到约 90% 不等，多人耗尽 3 小时时限。

AgentBug-Smith：自动复现智能体系统中的真实 harness bug

论文 AgentBug-Smith 提出自动复现智能体系统中真实 harness bug 的方法，指出这类 bug 具有独特特征，当前最先进的软件智能体仍难以修复。现有 benchmark 也进一步阻碍了该方向的进展。

研究：编程智能体仅修复 9% 的 Agent 框架 bug，AgentBug-Smith 基准发布

来自中美顶尖实验室的论文提出 AgentBug-Smith，可将真实 GitHub bug 报告自动转化为可运行测试，构建出持续增长的 200 个 bug 基准。3 个编程智能体中表现最好的仅修复 9% 的 Agent 框架 bug，而普通软件 bug 的修复率约为 40%。一份过往修复经验简编让某智能体在 79 个未见 bug 上的正确修复数从 1 提升到 6。

TechCrunch · AIAI 评分4949

Graphite 研究：Claude Opus 5.5 最爱说“this matters”，各模型写作痕迹各不相同

Graphite 研究发现 Claude Opus 5.5 的写作痕迹是“dependable”一词出现频率比人类样本高 23 倍，“this matters”高 116 倍；OpenAI Astra 则偏爱“another dimension”和“not simply X”式纠正性框架，后者出现频率超人类 100 倍。

你可能注意到我们 Embed 5 的基准测试看起来有点不同 👀 Embed 5 是首个使用 RCP-nDCG@10 评估的模型族，这是我们最新的方法论，改进了对真实世界检索质量的评估。

传统 nDCG 只认可基准答案库中已有的结果。RCP-nDCG@10 会根据每条结果的实际相关性进行评分，其结果由人工评审和 MTEB 提供支持。

深入 Code Arena：WebDev 排行榜 arena.ai/leaderboard/code/we…

Claude Sonnet 5.5 with xHigh reasoning 上线 Code Arena: WebDev，以 1786 pts 排名第 3，距第 2 名 GPT-6 Astra 的 1788 pts 仅差 2 分，价格为其 80%，混合价格为 $8/M tokens。

阅读我们的博客，了解如何对前沿文生图模型进行后训练。你将了解评分标准奖励的构建方式、完整的离线评测设置，以及视觉前后对比，展示我们发现的奖励作弊失败模式：arena.ai/blog/post-training-…

深入 Code Arena：WebDev 排行榜 arena.ai/leaderboard/code/we…

Claude Sonnet 5.5 (Max) 在 Agent Arena 首发升至第 3 名，净提升 +12.5%，较 Claude Sonnet 5 (High)（第 13 名，+4.4%）高出 8.1 个百分点。

查看实时结果并深入探索 Agent Arena 帕累托前沿：arena.ai/leaderboard/agent/o…

Claude Sonnet 5.5 在 Agent Arena 中排名第 3，每任务中位成本为 $2.74，净提升分为 +12.5%。原文指出其性能属顶级但存在成本溢价，排名第 2 的 Claude Opus 5.5 每任务成本仅 $1.58 且得分更高，这一取舍使 Sonnet 5.5 未进入 Agent Arena 的 Pareto 前沿。

快来 Artificial Analysis 图像排行榜亲自体验 Ideogram 4.5： AA-Image-T2I v2.0：artificialanalysis.ai/image/… AA-Image-Editing v2.0：artificialanalysis.ai/image/… 或在 Image Arena 中投票：artificialanalysis.ai/image/…

Ideogram 4.5 在 Animation & Gaming（动画与游戏）、Marketing & Advertising（营销与广告）和 Consumer（消费）三类用例上最接近领先者，其中 Animation & Gaming 表现最佳。

Ideogram 4.5 是 Ideogram 于 9 月 30 日发布的图像模型，首次进入 AA-Image-Editing v2.0 榜单即排名第 23，在 AA-Image-T2I v2.0 上排名第 34（Ideogram 4.0 为第 40）。

我们为每个基准提供 Router Index 分数，权重为 60% 质量、20% 每任务耗时、20% 成本。 你可以在页面上拖动滑块来更改权重，找到符合你优先级的领先者。

新功能：模型路由基准测试 在 6 个基准测试上，从质量、速度和成本三个维度并排对比 7 个路由器。现在即可使用，包括 Jev Router、Unbiased Pareto、NVIDIA Switchyard 等。 openrouter.ai/benchmarks/rou…

Repovive 联合 IOI、IMO、ICPC 决赛选手团队评测其 AI 数学评审，从首场数学竞赛中选出 534 份可疑或临界提交，建立统一评分标准与专家参考判定，再对比不同评分指令下各模型的表现。核心问题是模型能否可靠理解并核查高难度数学证明。结果显示在全部竞赛提交上模型准确率更高。

Arena CEO @ml_angelopoulos 表示，一旦开始付费让人生成 benchmark，它就不再是真实的评测，因为存在逆向选择问题。Arena 依靠持续流入的真实世界数据帮助人们改进实际任务，而非依赖某人花钱雇律师等凑出的私有数据集。他强调现实是唯一重要的评判标准。

Arena CEO @ml_angelopoulos 表示他依据专家排名挑选写作模型，因为他并不喜欢普通大众偏好的 AI 写作风格。他指出专家能分辨模型给出的是敷衍套话还是切中要点的扎实回答，并举例说问法国首都会直接答巴黎，而不是先夸问题好，这正是他们开发 style control 的原因。

查看实时结果并深入探索 Agent Arena 帕累托前沿：arena.ai/leaderboard/agent/o…

The Verge · AIAI 评分6262

OpenAI 的 Dots 智能体上手体验：更像企业办公软件，也能帮你订晚餐

The Verge 记者 Allison Johnson 实测了 OpenAI 本周发布的智能体平台 Dots，它拥有拟人化头像和可自定义名称，界面与 Meta Muse 类似，可让智能体在虚拟机中操作 Blender、GIMP 等应用，并可通过桌面版 ChatGPT 应用访问用户自己的电脑。

The DecoderAI 评分6262

Mercor 研究：AI 在记账任务上速度与准确率超过持证会计师，但仍无法独立完成结账

Mercor 的一项研究让 12 名平均有 5.5 年经验的持证 CPA 完成 APEX Accounting Benchmark 中的简化任务，结果显示 AI 模型在结构化记账任务上比会计师更快、更准确且成本更低。

小米 MiMo V2.6 Pro 进入 Arena 智能体榜单第 19 名，输出价格为 $0.87 per million tokens，低于排在其前面的全部 18 个模型。其每任务中位成本为 $0.10，并列前 19 名中最低，排名第 15 的 DeepSeek V4.1 Flash (Max) 与之持平。

GLM 5.3 和 GLM 5.3 Flash 现已在 Cursor 上线！ GLM 5.3 Max 是 CursorBench 4.0 上得分最高的开源权重模型。

榜单成本是通过将 Alibaba Cloud 的挂牌 token 价格应用于记录的 token 使用量来估算的，而非使用我们的专用推理费用。 测试完成后，我们将分享 ARC-AGI-3 结果。 完整结果：arcprize.org/results/alibaba…

- 排行榜：arcprize.org/leaderboard - 复现公开结果：github.com/arcprize/arc-agi-… - 测试政策：arcprize.org/policy - Qwen3.8-27B 完整结果：arcprize.org/results/alibaba…

ARC Prize 公布 Qwen3.8-27B 在 ARC-AGI (Verified) 上的成绩：ARC-AGI v2 为 42.4%，$0.45/task；ARC-AGI v1 为 87.5%，$0.22/task。作者指出 Qwen 的 chat template 为 low 和 xhigh 推理档位提供了引导，但没有 medium，这可能解释了 medium 消耗更多 token 却得分低于 low 的现象。

PostTrainBench v1.2 发布！几项更新： 1. 云端 GPU 支持。你现在可以通过我们新的 Harbor adapter，使用 Harbor + Modal 以相同设置运行基准测试。 2. 新的排行榜冠军。Fable 5.1 以 44.6% 位居第一，其次是 Opus 5.5 的 43.8% 和 GPT-6 (Astra) 的 41.9%。 3. 评测修复。移除了 BFCL，修复了 HumanEval 和 remote-code 评分，增加了跨多个 seed 的平均值，并将污染检查切换为多数投票。

MiMo-V2.6-Flash 已登上 Agent Arena 帕累托前沿，净提升 -0.57%，每任务中位成本 $0.04！ 深入探索 Agent Arena 帕累托前沿：arena.ai/leaderboard/agent/p…

作者自 voyage-context-3 发布起就看好上下文嵌入模型，并自行构建基准来衡量模型对答案块及其消歧上下文块的排序能力。他向 Perplexity 团队分享评测结果后，对方一周内提供新模型供测试，数周内多轮迭代，作者至少重做了 9 次基准，而 Perplexity 团队在没有特权访问基准的情况下持续改进模型直至领先。

Arena 发文介绍 Google DeepMind 的 Gemini 4 Argon 与多代顶级前沿模型的正面比较，并引用 @petergostev 的第一印象。文中给出成本数据：Gemini 4 Argon 每个任务成本比 GPT-6.1 Sol 低 33%，比 Claude Opus 5.5 低 70%，并附有视频链接。

深入查看 Image-to-Video 排行榜：arena.ai/leaderboard/image-t…

Hidream-O1-Video-1.0 by @HiDream_AI 刚刚登陆 Image-to-Video Arena，以 1456 分位列第 7！ 该模型已在 @vivago_ai 上线，距离 gemini-omni-flash 仅 8 分，与 dreamina-seedance-2.0 和 2.5 的差距均在 20 分以内。 祝贺 @HiDream_AI 发布此模型！

智能体写应用代码，但出问题时你凌晨 2 点还是得被叫醒。 我们想知道 AI 能否也处理这部分工作。 推出 Incident Arena：一个让编码智能体值班的基准！ 查看下方论文与完整数据集发布！

thoughtfullab 宣布通过 PostTrainBench 参与 AI 前沿评测，并公布 Gemini 4 的成绩为 45.3%，较 Gemini 3.1 Pro 的 21.99% 有明显提升，作者称这是迈向负责任自我改进型 AI 的一步。

Arena 发布数据显示，Google DeepMind 的 Gemini 4 Argon (High) 在 Agent Arena 位列第 8，净提升分 +7.92%，单任务成本 $0.62，重塑了 Pareto 前沿。

Gemini 4 在 PostTrainBench 上达到 45.3%，是 Gemini 3.1 Pro 21.99% 的两倍多，并超过 GPT-6 Astra 🔥