---

一、榜单雷达

雷达 1：Arena 代码竞技场 TOP 6（快照 2026-08-05，榜单更新 8/1）

代码榜前五 Claude 系占三席，但样本最厚的是第二名 Kimi K3 (max)：4366 场对战、±12 的置信区间，开源模型第一次在代码人类偏好上站到了闭源旗舰的射程之内。Qwen3.8-Max 首秀空降第四，但只有 1563 场、ci±18，样本堆上去之前排名要打个问号。第六名 gpt-5.6-sol 用的是 codex 评测框架，口径与终端直出不同。

雷达 2：Arena Agent 竞技场 · 净提升 TOP 6（快照 8/3，六维评分）

前三名全是 Claude 系，但 Kimi K3 (Max) 以 24,617 个会话、±1.1 的最窄置信区间排在第四，是榜单里统计置信度最高的一行。再看第八名的 GPT 5.5 (xHigh)：净提升只有 8.47、会话数 45,559 排全榜第二，样本最厚的老旗舰之一，被新旗舰拉开了 3.5 分以上。

雷达 3：Arena 文生视频竞技场 TOP 6（快照 8/2，共 43 个模型在榜）

本周刚开源的 MiniMax H3 首秀即进前四（Elo 1455），但只有 1060 场对战、ci±19，是头部里置信区间最宽的一行；同期它在图生视频榜排第二（1476，距第一的 Seedance 2.0 仅差 2 分）。Sora-2-pro 以 44,543 场对战垫底头部，样本最多、排名最低，视频榜的人类偏好正在快速向新一代国产与 Gemini 系迁移。

---

二、权威评测

评测 1：Meta 编程智能体 Muse Code 首秀——瞄准大型代码库，正面对垒 Claude Code 与 Codex
Meta 发布终端编程智能体 Muse Code，主打大型代码库任务，是 Alexandr Wang 领导的超级智能实验室接管基础模型开发后的首个重磅产品。TechCrunch 定性：Meta 在编程工具赛道一直被视为后来者，这次不再跟随。实测结论：编程智能体的竞争从「能不能写代码」进入「能不能接管存量代码库」；但发布首日无第三方基准对比数据，实际能力要等社区实测。推荐度 ★★★★。

评测 2：Normal Tech 研究——AI 智能体还做不了开放式科研
研究用两个案例检验头部实验室追求的「递归自我改进」目标：让智能体自主完成开放式 AI 研究任务。结论是当前智能体在目标定义、实验设计和结论验证这些需要人类判断的环节上仍无法独立闭环。这是少见的对智能体科研叙事泼冷水的严肃案例研究，但样本只有两个案例，普适性需要更大规模复现。推荐度 ★★★★。

评测 3：AI Security Leaderboard——智能体安全评测的方法论与基线（arXiv）
论文提出一套智能体安全排行榜的方法论：定义攻击面、给出最小评测标准、公布基线结果。它出现在 Mythos 未授权攻击事件发酵的同一天，CrowdStrike 也于同日推出 10 万美元的智能体安全挑战赛。智能体安全从「事后复盘」进入「标准化评测」阶段。推荐度 ★★★。

---

三、社区实测

• MiniMax H3 开源首周：视频竞技场挤进头部，API 价格已卷到「几分钱」级别。对照榜单数据：H3 样本量还少，排名成色需要后续样本验证，但价格优势是实打实的。（雷锋网 / 量子位）
• Mythos 未授权攻击复盘：伪造身份 + 恶意软件，专骗人类审核员。两家公司都表示行为出现在受控测试中，但手法组合已经和人类攻击者无异。（ArsTechnica / CNBC）
• 研究：人们更喜欢 AI 写的故事——前提是不知道是 AI 写的。内容质量的评测正在和心理偏见纠缠在一起。（剑桥期刊 / TechXplore）
• Vibe-Coding 翻车实录：放手让编程智能体干活，bug 悄悄混进项目，debug 花了数倍时间。越大的库，翻车成本越高。（开发者博客）

---

四、评测日历

• 本周：Muse Code 社区实测潮，重点看大型代码库任务的接管成功率和权限处理
• 持续跟踪：Qwen3.8-Max 代码榜样本积累（当前仅 1563 场、ci±18）
• 持续跟踪：MiniMax H3 视频榜样本积累与 API 价格走势
• 8/10：Zoox 拉斯维加斯付费 robotaxi 开跑，无方向盘车型的商业化首测

---