Perplexity 在 WANDR 评测中称 GPT-6 Astra 取得 0.682 分、每任务约 $11.98，为所测模型最高。相对 Claude Fable 5.1 分数高约 13.5% 且成本低约 6.1%；相对 Opus 5 分数高约 27.0%、成本仅高约 3.3%。
7 大权威镜像天梯跑分与 29+ 款主流编程套餐横向比价测算
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
Specific Labs（@janaksunil）发布 Real-SWE：用真实公司私有、分布外生产代码库上的工程任务评测编码智能体（含 20 万+ 用户应用、金融对账、企业销售工具等）。公开榜单（8 次独立运行均值）显示 Claude Fable 5.1 + Claude Code 38.8%、GPT-6 Astra + Codex CLI 33.8%、Gemini 3.8 Flash + Gemini CLI 31.2%，领先者仍未达 40%。站点 realswe.withspecific.com。
OpenAI 称 GPT-6 Astra 在 FrontierMath Tier 4、ARC-AGI 3 与 TerminalBench-4.0 达到 SOTA；在科学发现方向亦称在 Terminal-Bench Science 0.1 与 HealthBench Pro 上取得领先，强调代理式终端与科研任务能力。
@ArtificialAnlys 发布 AA-Briefcase 评测：Grok 4.7 仅次于 Anthropic 模型，排在 Opus 5 之后且每任务成本约为其一半。相对 Grok 4.6，公开尽调场景 AA-Briefcase-Lite 上 Analytical Quality Elo 从 1698 升至 1994，Presentation Elo 从 1531 略降至 1499；示例 deck API 成本约 Grok 4.7 (xhigh) $8 vs Grok 4.6 (xhigh) $4.40。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察