据@bcherny称，Claude Opus5.5生成交互网站与水彩插画。

据@DeepLearningAI，初期轻测试，成熟期严测试，并更新Claude Opus 5.5指标。

据@godofprompt称，Opus5.5指南给出7项设置以提质降时并提升工具调用。

据AnthropicAI称，Opus 5.5性能接近Fable 5.1且较Opus 5便宜40%。

据karpathy称，Opus5用百万token生成5500行Three.js代码渲染魔戒，但自检与视频理解仍受限。

据emollick称，AI评审与人类ELO不明使排名存疑。

据@godofprompt，一次性指令对比两模型构建完整象棋应用表现。

据@godofprompt称，Anthropic称Opus4.8比4.7减少4倍缺陷代码，提示工程同样关键。

据@AINewsOfficial_称，Gemini3.5、Atlas新动作、AGIBot与Claude表现成焦点。

据@emollick称，Opus4.8撰写论文，GPT5.5审稿并指出重大错误，随后已更正。

据@AnthropicAI称，Opus 4.8提升判断力与透明度，并延长独立工作时长且售价不变。

据@godofprompt称，4.7忽视项目指令与MCP配置，Anthropic已承认回归，建议特定场景谨慎使用。

据God of Prompt称，DeepSeek V4原生兼容Claude Code，费用每百万令牌$0.14。

据@SawyerMerritt称，xAI机房增300MW助Anthropic提升Claude Opus API吞吐。

据@godofprompt称，Genspark Build借助Claude Opus 4.7从概念到代码极速落地。

据AnthropicAI在Twitter发布的信息显示，Claude Opus与Claude Haiku在模拟谈判中对垒时，Opus能显著拿到更优交易结果，而受访者并未意识到这种差距；相关结论来自Anthropic的帖子与研究摘要。根据Anthropic，该发现表明更高能力的大模型可将模型质量直接转化为自动化议价与采购流程中的经济收益。Anthropic指出，这种“感知差距”意味着企业若仅凭主观判断评估代理表现，将面临策略失真与利润流失风险，因而需要基于结果的数据评测、可追溯日志和可控谈判策略。对于采用多代理系统进行供应链采购、广告竞价或动态定价的组织，Anthropic的结果提示：在包含谈判与战略推理的场景中，由轻量模型升级至更强模型（如Opus）有望带来可量化ROI。

据The Rundown AI报道，OpenAI正式发布GPT 5.5，在编码、推理和数学基准上领先Claude Opus 4.7，并以接近GPT‑5.4的速度实现对竞品前沿编码模型约半成本的推理。据The Rundown AI称，这一迭代为面向开发者的落地场景带来直接商业价值，包括代码生成平台、智能代理工作流与自动化测试等领域，在相同吞吐下显著优化延迟与单次调用成本结构。

根据The Rundown AI报道，Google发布自主研究代理Deep Research Max，在难检事实基准BrowseComp上取得85.9%成绩，领先GPT‑5.4的58.9%与Claude Opus 4.6的45.1%。据The Rundown AI称，该系统由Gemini 3.1 Pro驱动，支持通宵运行，每份尽调报告成本约2–5美元，面向企业规模化研究流程。The Rundown AI援引Google发布博客称，可通过夜间定时任务自动生成次日交付的详尽尽调报告，推动研究自动化落地。另据The Rundown AI，FactSet、标普与PitchBook正构建MCP服务器，便于直接接入高价值金融数据，带来投研、私募市场分析与风控情报的商业机会。

据Artificial Analysis称，Kimi K2.6在其AI指数中以54分排名第4，仅次于Anthropic、谷歌和OpenAI（均为57），并在采用Stirrup参考代理框架的GDPval-AA代理任务上获得1520 Elo，展现出强劲的工具使用能力（来源：Artificial Analysis，被Ethan Mollick在X上转引）。据Artificial Analysis称，K2.6在τ²-Bench Telecom工具使用评测中保持96%得分，支持图像与视频输入、256k上下文，并通过自有API及Novita、Baseten、Fireworks、Parasail等第三方提供访问（来源：Artificial Analysis）。据Artificial Analysis称，K2.6在AA-Omniscience知识评测中的幻觉率较低，接近Claude Opus 4.7与MiniMax-M2.7；在完整指数运行中使用约1.6亿推理token，低于Claude Sonnet 4.6的约1.9亿，高于GPT 5.4的约1.1亿（来源：Artificial Analysis）。据Ethan Mollick援引Artificial Analysis并结合用户反馈称，尽管基准表现强劲，开源权重模型在真实业务场景中可能不及封闭模型，例如Kimi在部分使用中不如Claude Opus 4.6，提示“基准—生产”落差（来源：Ethan Mollick于X）。商业启示：企业可在需要强工具调用与代理式工作流的场景试点Kimi K2.6，受益于开放权重与多家托管渠道，但应以任务级评测与成本监控为先；同时，Anthropic与OpenAI在通用可靠性上仍具优势，Kimi为采购与供应商多元化提供高性价比选项（来源：Artificial Analysis；Ethan Mollick）。

据@emollick表示，GDPval-AA并不可靠，因为其以Gemini 3.1作为裁判评估公开题库上的模型输出，难以反映真实能力。根据Artificial Analysis披露，Claude Opus 4.7在GDPval-AA上以1753 Elo领跑，并以57.3位列Artificial Analysis Intelligence Index首位，略高于Gemini 3.1 Pro的57.2与GPT-5.4的56.8；该机构称GDPval-AA覆盖44个职业与9个行业，并通过Stirrup开源代理框架启用Shell与浏览能力进行回路式任务。另据Artificial Analysis，Opus 4.7在IFBench、TerminalBench Hard、HLE、SciCode与GPQA Diamond上均有小幅提升，幻觉率降至36%，运行整套评测所用输出token约比Opus 4.6减少35%。对企业而言，这场关于评测裁判设计的争议表明需采用多元基准（如HLE、GPQA Diamond、TerminalBench、AA-Omniscience）并审计评测对裁判模型的依赖，以降低评测偏差与过拟合风险。