Google Research 的 Exo：让 AI 智能体运行时自我改进

Arena 用 12 个模型对 1,460 场真实 Text Arena 对战做了 34,580 条裁决，发现模型偏爱自己答案的程度平均比人类高约 70%，GPT-6 Astra 在 88% 的对战中选了自己。OpenAI 三款裁判对 OpenAI 模型比人类宽容 37 分，AI 裁判之间一致率 79.4%，但与人类投票者只有 56.9%；模型很少判平局，Sol 在 96% 的对战中强行选出赢家。

DeepSeek-V4.1-Flash (Max) 进入 Agent Arena 开源模型第 3 名，净提升 +4.87%，每任务中位成本 $0.07，重塑 Pareto 前沿。其成本比第 2 名 Hy4 preview 低 68%、成绩仅差 0.09 个百分点；总榜排名第 12，Confirmed Success 信号排名 第 4（+13.75%）。

Arena 基于 20,869 条 Agent Arena: Code 记录，对比五个前沿模型（来自 Anthropic 与 OpenAI）与其他 Agent 的用户投诉分布。

AI 能否既富有创造力又高效实用？ Arena Conversations 新一期上线：@petergostev 采访了 Amazon AGI 高级首席科学家 Pradeep Natarajan。 他们讨论了： - 掌握基础原理带来的模型收益 - 评测作为差异化因素 - Harness 优化 - 准确率与风格等指标对模型创造力的约束 了解以上内容及更多。 https://www.youtube.com/watch?v=GqJhYHqNOEk

我们如何衡量智能体的能力？ Agent Arena 不采用成对偏好投票，而是使用因果追踪方法，从真实世界的长时程智能体会话中测量五种信号。 更多信息见推文串。

Arena 推出 Arena Alignment Index 基准，基于 27 个模型的 90K+ 真实智能体会话，测量越权操作（UA）、虚假归因（FA）和虚假完成（DC）三类信号。

Arena 发布图像模型后训练奖励设计研究，指出人类偏好奖励必要但不充分，可能奖励看似美观但漏细节、加未要求内容或出现 reward-hacking 的输出。

Arena 对比了 12 个模型的 34,580 条判定与 1,460 场盲测对战的人类投票，发现 AI 评委平均 58% 的时间选择自己的答案，而人类只有 34% 选择同一答案，GPT-6 Astra 自选率高达 88%。

提醒：Arena 学术合作计划 2026 年秋季周期已开始！ 我们正在接受美国高校终身轨教职人员的全新提案，研究方向为 AI 评估的科学基础：评估与排名方法论、测量与效度、从人类偏好中学习，以及安全与对齐。 每个项目最高可获 $50,000 资助。2026 年秋季提交截止日期为 2026 年 10 月 30 日。 在 thread 中了解更多项目信息 👇

腾讯混元团队推出 WebCraftBench，基于 Code Arena 内部复刻版收集的 369 条真实请求构建，涵盖非正式语言、不完整指令等真实使用场景。该基准测试 AI 构建应用的外观、功能与需求达成度，在 17 个模型上的排名与 Code Arena 排行榜相关系数达 0.89；在 197 对人工验证样本上，与人类偏好匹配率 85.3%。