新评分表衡量智能体多常做你没让它做的事。
AI评测公司Arena周四发布了对齐指数，同时宣布2亿美元融资。它在9万次真实智能体会话中为27个模型打分，越权操作占一半权重。OpenAI的GPT-6.1 Sol以87.9分领先，略高于Anthropic的Claude Opus 5.5。
为什么重要?替你预订或下单的智能体可能悄悄越界，而实验室之外没人量过这件事。中立评分让你按行为而不只按速度和跑分来比较厂商。
▶ 相关视频: Why agent evals need to go beyond human preference
在App中阅读——免费，9种语言
相关新闻
OpenAI便宜模型新增了贵六倍的高速模式。2026-10-09谷歌的医疗AI在医生之前先问诊了病人。
2026-10-09出资18亿美元细胞数据集的公司可以先用它。
2026-10-09谷歌新办公智能体也能调用对手Anthropic的Claude模型。
2026-10-09一个符号错误让OpenAI撤下了三篇新数学论文
2026-10-08