跳到正文
RadarAI· X:Arena (@arena)·· 1 天前AI 评分58

Arena 对齐指数更新:OpenAI 包揽前七,Claude Fable 5.2 首次上榜列第 8

Arena 对齐指数更新:OpenAI 包揽前七

AI 导读

Arena 更新对齐指数,改进了检测模型失败信号的机制,覆盖范围更广、判断更可靠。按新方法,OpenAI 包揽全部七个最高位;Anthropic 新发布的 Claude Fable 5.2 以 78.2 分首次上榜列第 8,此前第 6 的 Claude Opus 5.5 降至第 17。

正文 · AI 翻译

Arena.ai· @arena · X·2026-11-21 01:45· 38 分钟前AI 评分43

AI 导读

Arena 更新对齐指数,改进模型失败检测信号,覆盖更广、判断更可靠。OpenAI 包揽全部七个最高位;Anthropic 新发布的 Claude Fable 5.2 以 78.2 分首次上榜列第 8,此前第 6 的 Claude Opus 5.5 降至第 17。最佳开源模型 Kimi K3.1 Pro 列第 9,第二的 Mimo-V2.6-Flash 列第 26,多数开源模型仍落后于闭源发布。

正文 · 原文

Arena 对齐指数已更新!

我们改进了信号检测模型失败的方式,覆盖范围更广,判断更可靠。基于更新后的方法:

  • @OpenAI 继续占据主导地位,包揽全部七个最高位。
  • @Anthropic 的最新发布 Claude Fable 5.2 以 78.2 分首次上榜,位列第 8。此前在上一版指数中排名第 6 的 Claude Opus 5.5 现降至第 17。
  • @Kimi_Moonshot 的 Kimi K3.1 Pro 是相较前代提升最大的模型(更多信息见推文串)。
  • 多数开源模型仍落后于闭源发布。最佳开源模型 Kimi K3.1 Pro 位列第 9,第二佳的 Mimo-V2.6-Flash 在指数中位列第 26,其后是 Hy4、Beam、Inkling、DeepSeek 和 GLM。

Top-6 实验室:

  • #1 @OpenAI GPT-6.2 Sol
  • #2 @AnthropicAI Claude Fable 5.2
  • #3 @Kimi_Moonshot Kimi K3.1 Pro
  • #4 @GoogleDeepmind Gemini 4 Hydrogen
  • #5 @spacexai Grok 4.7
  • #6 @AIatMeta Muse Ember

对齐指数从三个维度衡量智能体在真实用户会话中的行为:

  • 未授权操作:执行用户未要求或未批准的操作
  • 欺骗性完成:在并未完成、检查或正常运行时声称工作已完成、已检查或正常运行
  • 错误归因:将用户从未说过或做过的事情归到用户身上

更多洞察见推文串🧵

来源:Arena.ai · x.com

来源:RadarAI · aihot.news