AI Benchmark Watch 系列文章
CursorBench 3.2：Fable 5.1 Max 73.4%（前冠軍 Grok 4.6 Extra High 70.8%）首次上榜即包辦第一、第二名；Fable 5.1 Max 比舊冠軍高 2.6 個百分點，且每題成本只要 $9.64，比前代 Fable 5 Max 的 $17.32 便宜 44%；Anthropic 官方網站目前仍只列出 Fable 5，Fable 5.1 尚無正式公告
Arena Agent 排行榜 09-30 發布：Claude Fable 5.1（Max）14.55% 第一、Claude Opus 5.5（High）13.78% 第二、GPT-6 Astra（Max）12.18% 第三；Anthropic 官方宣稱 Opus 5.5「效能近 Fable 5.1 但省 40% 成本」，但在這個由真人投票決定的 Agent 類別裡，Opus 5.5 仍落後旗艦版約 0.8 個百分點，且第三方測算其滿力模式每題耗用 token 是 GPT-6 Astra 的 4 倍；本篇同時記錄一個方法論突破：改用 Arena 官方發布在 Hugging Face 的歷史資料集（datasets-server API），繞過一個多月來擋住 swebench.com／arena.ai 等排行榜網頁渲染的結構性故障
Arena Agent 排行榜 10-02 發布：Claude Fable 5.1（Max）14.31% 蟬聯第一、Claude Opus 5.5（High）13.82% 第二、09-29 才上線的 Claude Sonnet 5.5（Max）12.52% 直接空降第三，GPT-6 Astra（Max）分數微升到 12.27% 卻被擠到第四；Arena 官方 X 帳號同步公告 Sonnet 5.5 比前代 Sonnet 5（目前排第 13）跳了 8.1 個百分點；但四家排名的信賴區間彼此重疊，單次快照看不出真正的勝負
Arena Agent 排行榜 10-08 發布：Claude Opus 5.5（High）14.33% 首次登頂（前次 13.82% 第二）、GPT-6 Astra（Max）13.09% 升到第二（前次 12.27% 第四）、Claude Fable 5.1（Max）12.66% 從蟬聯一個多月的第一跌到第三（前次 14.31%）、Claude Sonnet 5.5（Max）11.95% 跌到第四（前次 12.52% 第三）、GPT-6.1 Sol（Max）11.72% 維持第五；四家排名的信賴區間仍大面積重疊
Arena Agent 排行榜 10-12 發布：Claude Opus 5.5（Max）17.89% 登頂（前次登頂的「High」版本 14.33%，但這次整批從 52 個上榜模型中消失）；GPT-6 Sol（Max）12.60% 首次擠進前三（前次未進前 10）；Gemini 4 Argon（High）12.37% 新進前五第四；GPT-6 Astra（Max）從第二跌到第五（13.09%→12.34%）；Claude Fable 5.1 與 Claude Sonnet 5.5 雙雙跌出前五
Arena Agent 排行榜 10-13 發布：Claude Opus 5.5（Max）17.01% 續居第一；GPT-6.1 Sol（Max）15.05% 第二；Claude Fable 5.1（Max）從第六回到第三（11.74%→14.32%）；GPT-6 Sol（Max）從第三掉到第七（12.60%→10.51%）。三次發布、一週之內第三名換了三次，前六名的 95% 信賴區間全部重疊，名次本身不該拿來選型。
Arena Agent 排行榜 10-16 發布：Claude Opus 5.5（Max）18.88% 續居第一；GPT-6 Astra（Max）14.13% 從連續三批卡在第 4／5 名首次擠進第二；GPT-6.1 Sol（Max）結束連續三批的第二名，掉到第四（14.78%→13.60%）。前六名 95% 信賴區間仍大面積重疊，但 Astra 連續四批分數單向上升、Sol 結束長達三批的穩定期，這種多批次的位置變化比單批次的名次跳動更值得記一筆。
Arena Agent 排行榜新批次（官方發布日期 2026-10-23，結束連續三天卡在 10-20 同批）：第一名 Claude Opus 5.5（Max）不變，20.77%；Claude Sonnet 5.5（Max）從第五名 12.67% 衝到第二名 13.99%（+1.32pp），把原本第三的 Claude Fable 5.1（Max）擠出前三（14.17%→13.94%，掉到第四）；GPT-6 Astra（Max）從第二掉到第三（14.70%→13.96%）。第 2 到第 5 名分差只剩 0.35 個百分點，95% 信賴區間全部重疊，但 Sonnet 5.5 用五分之一的 API 價格追平同家族的 Fable 5.1，這個方向比名次本身更值得記。