testsb

@FlashEcho 榜单评测方法有两面性，我觉得各个榜单有各自的优劣。

Arena 靠用户投票，基本就是大多数人的体感了，因为每个人使用场景不同，所以这种方式优势是测试集多样，相反缺点也是测试集不固定，横向直接比较说服力低，这也是你吐槽的点吧。

而做特定测试集的那些榜单，测试集固定结果清晰，很方便模型的直接横向比较，这是优点，但也不是完美的，因为模型多迭代几代很容易把某些测试变成考卷考试，做针对性优化。

这次 GPT 5.6 据说就针对某些榜单做过针对优化，而且还针对性的改了某些榜单的测试基准。相当于不仅考卷，还自己改了考题。

@xing7673 @willxiang

https://arena.ai/leaderboard/text/overall 这个是综合能力，就像 #11 楼的朋友说的：

"模型能力是多边形的，一个人的使用场景根本无法覆盖所有场景，所以根据自己的体验下结论就很尬"

你们可能更关注 coding ，得看 https://arena.ai/leaderboard/text/coding

@testsb https://arena.ai/leaderboard/text/overall

Area 排名（个人认为最接近自己使用感受的排名）刚出来，5.6 xHigh 确实不如 Fable 5 。

目前随着布已经重置了 2 次了。

据说还会再重置两次：

https://x.com/thsottiaux/status/2075641131002700120

“We’re landing a first set of improvements today. We’re resetting usage twice so people can keep experimenting, changing defaults and the model picker so they don’t push people toward unnecessarily expensive settings, fixing several plugin submission issues, improving how we represent Codex in the product, and cleaning up some of the most immediate desktop problems.”

1:59 AM · Jul 11, 2026

参考 https://www.v2ex.com/t/1200385

Token 消耗速度还是挺惊艳的😂

@freevioce 是的

`we will reset the rate limits again (twice)`

`1:30 PM · Jul 10, 2026`