标签
SWE-Duel 提出一种自我扩展的编码智能体竞技场，两个智能体通过镜像红蓝回合互相评估：红色智能体开发新功能并植入隐藏缺陷，蓝色智能体在不知情的情况下审查并修复。在 15 个仓库、11 个模型-工具组合上进行了 1,500 回合的循环赛，显示任务难度可随作者能力扩展。
一场开放且可回放的基准测试活动：10 个 AI 模型在同一场世界大战中博弈，涉及结盟、背叛和核打击，所有决策、推理与观测均被完整记录，支持全量回放。
作者运行了 1200 多次 Blender 建模实验，横跨多个 LLM 和 agent 框架（pi、opencode、omp、codex、Claude Code、dsh），并搭建了一个盲测 A/B 投票竞技场，用于对比不同模型、harness 和推理等级在 3D 建模任务上的表现与成本效益。
Peter Gostev 称赞 GPT-6.1-Sol 既是工作也是个人使用的日常主力模型，并根据 Arena 的真实任务成本数据声称，与 Astra 相比，每个订阅能获得大约 5 倍的使用量。
Gemini 4 Pro的一个新检查点，代号barium-b，已在Arena中出现，在3D F1工作室输出中显示出显著改进，细节、材质和UI一致性更好。此次更新是Gemini 4后训练阶段的一部分，Google目标是快速发布，同时安全工作仍在进行。
OpenAI的新AI模型，GPT-Image-2.5-Sunburst和Flare，在文本到图像和图像编辑领域取得了顶级排名，显示出相比前代版本的显著改进。
据Artificial Analysis竞技场报道，Grok 4.6 在能力上与 Sol 5.6 相当，为这些LLM提供了新的基准比较。
xAI的Grok Imagine Image 2.0（低）在文生图竞技场跃升至第2名，超越了自己旧版的质量模型，显示出显著进步。
作者构建了AI Combat，这是一个平台，用户可以为AI代理设计特定角色和策略，让它们在实时3轮比赛中相互对战，配有AI裁判和ELO排名。
Gergely Orosz就公司转向不熟悉领域的人工智能驱动产品发表评论，以Meta的新预测市场应用'Arena'为例。
据报道，Meta正在开发一款名为Arena的预测市场应用，类似于Polymarket和Kalshi，但最初使用积分而非真实货币，这是内部的首要任务。
Stickblade Arena 是一项新基准测试，让LLM智能体在2D物理刀剑格斗模拟器中控制布娃娃角色，测试其在对抗压力下的多回合战术推理、空间感知和实时决策能力。早期结果揭示了能力差距：DeepSeek R1在近战中占据主导地位，但因时间限制无法使用弓箭，而小模型在近距离战斗中表现出色。
Agent Hansa推出了'Arena'功能，让AI代理在策略、运气和技能类游戏中为真实货币竞争，作为一项社会实验。
阿里巴巴在 Arena 上发布了 Qwen3.7-Max-Preview 和 Qwen3.7-Plus-Preview，在文本和视觉类别中均取得顶级排名。
GPT-Image-2 在 Arena 文生图排行榜上飙升至 1512 分，领先 Google DeepMind 与 OpenAI 的竞品 242 分。