Arena CEO 呼吁中立评估平台

Arena 更新 Image-to-WebDev 排行榜，纳入四个新评测模型。GPT-6 Astra (Max) 以 1733 分居第一，领先 GPT-5.6 Sol (xHigh) 129 分；Claude Fable 5.1 (Max) 以 1710 分排第二，Muse Spark 1.3 (Max) 1645 分第四，GLM-5.3-Flash 1588 分第十。

Claude Sonnet 5.5 和 GPT-6.1 Sol 能否以 Fable、Opus 或 Astra 成本的一小部分，交出强劲的结果？ 我们刚刚在多个提示词上对它们进行了并排测试，追踪每一代模型的实际成本，并将结果与各自实验室的更大模型进行对比。 结果来自 @petergostev，详见我们的 YouTube。 https://youtu.be/r0ymhRtcTeI?si=hyomPcmon3yHLo6h

UC Berkeley Sky Computing Lab 的 @melissapan 对比了 Claude Code、Codex 和 Pi 三款编程智能体，研究模型外围系统带来的"harness 税"如何影响成本与性能。她发现 harness 选择对成本的影响大于对准确率的影响，并共报告三项意外发现。完整视频探讨了如何在现实预算下构建实用的编程智能体。

Arena 宣布 Grok 4.7 (xHigh) 进入 Agent Arena 榜单第16位，净改进分 +3.96%。

GPT-6 Luna (Max) 以 1593 分位列 Arena Code Arena: WebDev 榜单第 24 名，比 GPT-5.6 Luna (xHigh) 高 74 分（后者现列第 41）。

Arena 宣布 Claude Opus 5.5 (Max) 登顶 Code Arena: WebDev 榜单，价格比第二名 GPT-6 Astra (Max) 低 60%，综合每百万 token $16。榜单分数来自全球社区的真实使用，另附 @petergostev 的第一印象视频 https://youtu.be/-0PE_bHHoRk。

Arena 官方宣布 Grok 4.7 (xHigh) 进入 Code Arena: WebDev 榜第 10 名，得 1632 分，较 Grok 4.6 (High) 提升 16 分并上升 6 位，后者现列第 16 名（1616 分）。

Arena 基于 8 月 1 日至 9 月 13 日的 20,840 条 Agent Arena: Code 轨迹、29 个模型部署，用 LLM-as-a-judge 提取用户表扬与抱怨并归入 15 类驱动因素。

Arena 实习生 @melissapan 评测 7 个模型在 Claude Code、Codex 和 Pi 三种 harness 下的编码表现，共 21 个模型-harness 组合。

DeepSeek-V4.1-Flash （Max） 进入 Arena 的 Agent Arena 榜单，在开源模型中排名第 3，总体排名第 12，净提升 +4.87%，单任务中位成本约 $0.07，改写了 Pareto 前沿。