livebench

May 2025 Sonnet 在 LiveBench 的通用编程评分上击败了 Sonnet 5，但在代理编码上落后 27 分，凸显了基准测试表现的差异。

讨论 LiveBench 结果显示 Fable 5 表现低于 Gemini 3.1，质疑是该基准测试有缺陷，还是 Anthropic 在针对基准测试进行优化（benchmaxing）。