北京
独立评测机构Artificial Analysis最新数据显示，Anthropic的旗舰模型在综合知识、编程、科学推理与事实准确性等九项测试中拿下61分，将Fable 5（60分）、GPT-5.6 Sol（59分）等对手甩在身后。该成绩是在模型公开发布前，由评测方与Anthropic合作完成的。
编程对决中，这款新模型在“xhigh”推理等级下配合Claude Code，于Artificial Analysis编程指数上并列第一。而在模拟真实终端环境的Terminal-Bench v2.1中，“max”设定使其斩获89%的成绩，追平了此前的领头羊GPT-5.6 Sol。
科学推理层面，它在涵盖多学科的高难度测试Humanity's Last Exam中拿到53%，与Fable 5持平。在阿贡国家实验室与伊利诺伊大学香槟分校构建的物理基准CritPt上，该模型同样和Fable 5打成平手，但仍落后于GPT-5.6 Sol、GPT-5.5 Pro与GPT-5.6 Terra。
事实准确性却是明显短板。在AA-Omniscience检测中，尽管得分较上代提升了7个点，仍不敌Fable 5。更棘手的是，模型在不确知时更倾向直接作答，导致幻觉率猛增14个百分点，达到50%。
Epoch AI的评测结果进一步勾勒出竞争态势：Claude新旗舰的整体能力指数得分为159，略低于Fable 5的161分。但若只看软件工程基准SWE-ECI，它与Fable 5同为161分，优于GPT-5.6 Terra和上代Claude旗舰。GPT-5.6 Sol则在两项指标上均保持领先。
这场前沿模型竞赛的胶着状态已被坐实——没有哪一款能建立清晰优势，这为“AI模型终将走向商品化”的论点增添了分量。
成本端是该模型另一张牌。在智能指数测试中，单任务平均开销仅2.03美元，低于带后备方案的Fable 5（2.75美元），但高于上代旗舰的1.80美元和Sonnet 5的1.53美元。在“high”和“xhigh”两个推理等级上，它的表现均优于上代及Sonnet 5，且成本更低。
Vals.ai借助面向编程的Vibe Code Bench，在五个推理等级上对其进行了测试。得分从“low”的76.7%升至“medium”的82%，再到“high”的89.8%，但随后在“xhigh”（88.3%）和“max”（88.4%）两个最高档位出现回落。
这两个高档位的成本反而高出许多。Vals.ai发现，更高的推理等级倾向于产出更复杂也更容易出错的方案，而“high”等级生成的方案更简洁，能更可靠地满足需求。Terminal-Bench 2.1也呈现类似规律。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
