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。
评测基准
全部主题模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。
最新精选
X：Rohan Paul (@rohanpaul_ai)精选AI 评分 X：Arena (@arena)精选AI 评分 Claude Sonnet 5.5 在 Agent Arena 排名第 3，Code Arena 第 3
Arena 公布 Claude Sonnet 5.5 (Max) 在 Agent Arena 首次上榜即排名第 3，净提升 +12.5%，比排名第 13 的 Claude Sonnet 5 (High) 高出 8.1 个百分点。
推荐理由：榜单给出了 Claude Sonnet 5.5 在 Agent Arena 与 Code Arena 的排名、分数和每任务成本，可据此比较它与 Opus 5.5、GPT-6 Astra 的性价比。
X：Arena (@arena)精选AI 评分 GPT-6.1 Sol 进入 Agent Arena 第 5 名，重塑帕累托前沿
Arena 宣布 OpenAI 的 GPT-6.1 Sol (Max) 进入 Agent Arena 第 5 名，提升 11.23%，并重塑帕累托前沿。其单任务中位成本为 $0.56，比 GPT-6 Sol 低 39% 且得分高 1.52 分，比 GPT-6 Astra 低 81% 且得分差距 1.04 分。
推荐理由：Agent Arena 榜单显示 GPT-6.1 Sol 以更低单任务成本进入前五，读者可据此比较它与 GPT-6 Sol、Claude 系列的性价比差距。
X：Arena (@arena)精选AI 评分 Gemini 4 Argon 与前沿模型对比：单任务成本比 GPT-6.1 Sol 低 33%
Arena 分享 Google DeepMind 的 Gemini 4 Argon 与多款前沿模型在生成任务上的对比，单任务成本比 GPT-6.1 Sol 低 33%，比 Claude Opus 5.5 低 70%，并附上 @petergostev 的第一印象视频。评论区对评测方式提出质疑，认为用图形设计任务评估文本生成模型意义有限，也有人追问单任务成本是否包含思考 token。
推荐理由：原文给出 Gemini 4 Argon 与前沿模型的成本对比和实测片段，读者可据此判断其性价比定位。
X：Arena (@arena)精选AI 评分 Arena 评测：Gemini 4 Argon (High) 登顶 Text Arena，Agent Arena 排第 8
Arena 公布 Google DeepMind 的 Gemini 4 Argon (High) 在 Text Arena 以 1525 分排名第 1，在 Code Arena: WebDev 以 1679 分排名第 8，在 Agent Arena 以 +7.92% 净提升排名第 8，每任务成本 0.62 美元。
推荐理由：Arena 公布了 Gemini 4 Argon (High) 在 Agent Arena 与 Text Arena 的排名和成本数据，可据此比较其与 Gemini 3.8 Flash、Claude Opus 4.6 的差距。
X：Arena (@arena)精选AI 评分 Gemini 4 Argon (High) 登顶 Text Arena，Code Arena WebDev 升至第 8
Google DeepMind 的 Gemini 4 Argon (High) 以 1525 分登上 Text Arena 第 1，并在 Code Arena: WebDev 以 1679 分位列第 8。
推荐理由：读者可据此了解 Gemini 4 Argon 在 Text Arena 与 Code Arena 的排名变化，以及其混合价格下的性价比位置。
X：ARC Prize (@arcprize)精选AI 评分 ARC Prize 公布 GPT-6.1 Sol 在 ARC-AGI 三代基准上的成绩与成本
ARC Prize 公布 OpenAI 的 GPT-6.1 Sol 在 ARC-AGI 上的验证成绩：ARC-AGI-3 在标准 harness 下为 52.7%。
推荐理由：ARC Prize 给出 GPT-6.1 Sol 在三代 ARC-AGI 上的成绩与单任务成本，可对比其与 GPT-6 Astra 的性价比差异。
Simon Willison精选AI 评分 Anthropic 发布 Claude Sonnet 5.5，速度提升 30% 以上
Anthropic 发布新 Sonnet 模型 Claude Sonnet 5.5，官方称其运行速度快 30% 以上，多数工作成本最多降低 30%，定价与 Sonnet 5 相同但在各项基准上均优于后者。
推荐理由：作者实测了 Sonnet 5.5 的思考预算与免费层表现，可据此了解它在编码任务上的定位与成本取舍。
X：MiniMax (@MiniMax_AI)精选AI 评分 MiniMax Code CLI v0.4.12 开源，MIT 协议发布并在 FrontierHarness Eval 取得 SOTA
MiniMax 将 MiniMax Code CLI v0.4.12 面向全球开发者开放，并以 MIT 协议开源。官方称该工具在 FrontierHarness Eval 上取得了 state-of-the-art 的通过率。
推荐理由：MiniMax 把 Code CLI 以 MIT 协议开源并给出 FrontierHarness Eval 成绩，读者可据此判断其编码工具链的开放程度。