Anthropic 模型领跑 AA-PersonalityBench

Artificial Analysis 发布 Coding Agent Index 榜单，Claude Sonnet 5.5 (max) 在 Claude Code 以 68 分居首，但每任务成本最高达 $14.19。

Artificial Analysis 测评显示，Claude Opus 5.5 在 Claude Code max effort 下以 66 分登顶 Coding Agent Index，较 Opus 5（60）高 6 分，三项评测 Terminal-Bench 4.0（63.1%）、DeepSWE v1.1（68.4%）、SWE-Atlas-QnA（66.4%）全部提升。

Artificial Analysis 称本周 MiMo-V2.6-Pro、Claude Opus 5.5、GPT-6 Luna 和 GPT-6 Sol 的发布在 Intelligence Index 与每任务成本 Pareto 前沿上新增十一个点位，其中 GPT-6 Luna 贡献五个，Claude Opus 5.5 贡献四个。

KwaiKAT发布非推理代码模型KAT-Coder-Pro V2，在Artificial Analysis Intelligence Index获44分，较V1提升8分，与Claude Sonnet 4.6持平。该模型token效率显著，运行仅需约9M输出token，远低于Claude系列及DeepSeek等推理模型。Agent能力大幅提升，Terminal-Bench Hard得分49%（提升40个百分点），匹配Claude Opus 4.6。成本降至73美元，响应速度达…

Artificial Analysis 用 MLCR-AA 和 HealthBench Professional 对比了 14 个模型：Claude Sonnet 5.5、Opus 5.5、Fable 5.1 拿下 MLCR-AA 完整性前三。

Artificial Analysis 推出新基准 AA-PersonalityBench，衡量模型的谄媚（Sycophantic）人格特质。测得最老的三个模型 GPT-4o、Llama 4 Maverick、GPT-3.5 Turbo 排名最高，Grok 4.7、Claude Fable 5.1 与 Inkling 最低。

Artificial Analysis 的 AA-3D 场景测试中，Claude Fable 5.1 与 Sonnet 5.5 明显呈现了圣家堂的魔方，Grok 4.7 与 Step 5 Preview 则把它藏在柱子后，四款模型均为离线、未被提示。

Artificial Analysis 更新了 Wisedocs 医疗长上下文推理基准 MLCR-AA 的提示与评分方式，Claude Sonnet 5.5（max with fallback）与 GPT-6 Astra（max）以 41.7% 并列第一。

Artificial Analysis 用 Claude Opus 5.5 (max) 主模型加 GPT-6 Luna (high) 副模型测试 Cognition 的 Devin Fusion CLI，在 Coding Agent Index 上得 68.1 分。

Artificial Analysis 让多个 AI 模型在离线沙盒中以智能体方式用 3D 搭建埃菲尔铁塔，Claude Opus 5.5 和 Grok 4.7 都凭记忆写出了铁塔一层平台下全部 72 位法国科学家、工程师和数学家的名字，且每侧 18 人顺序正确。