LMArena AI，前身是lmsys.org，是由加州大学伯克利分校SkyLab 和 LMSYS 研究团队开发的 AI 模型评估平台。它专注于通过众包 AI 基准测试来评估 AI，用户可以在此平台上免费与AI聊天并进行投票，比较和测试不同的 AI 聊天机器人的性能。
在最新的 LMArena AI 的各项基准测试中，Google Gemini 2.0 的两款模型获得了最好的成绩， DeepSeek R1 表现也相当不俗。ChatGPT-4o 近期也悄悄进行了升级，在很多方面都有所提升。
在最新 LMArena 的实时 AI 编码竞赛 WebDev Arena 中，Claude 3.5 Sonnet 仍处于第一，DeepSeek R1 暂居第二，o3-mini-high 名列第三。
Ploy 公司将 AI agent 从 Claude Opus 4.8 迁移至 GPT-5.6 Sol 后，构建耗时缩短过半且成本降低，但过程中遭遇三大工程挑战。一是评测框架适配旧模型导致误判；二是新模型填充冗余参数引发工具调用异常，需通过 schema 变换解决；三是缓存机制差异致命中率归零，需重构 key 策略。这表明生产环境模型迁移并非简单替换，需针对调用习惯与基础设施进行深度工程适配。
OpenAI 旗下 GPT-5.6 Sol Ultra 通过 64 路并行 agent 在 1 小时内生成了图论 CDC 猜想的证明文本，成本不足 500 美元。该成果引发争议，因缺乏 Lean 机械化验证、未公开完整推理轨迹及受限于图论形式化库不成熟，数学界对其有效性存疑。此事表明 LLM 已具备启发式数学搜索能力，但验证基础设施滞后仍是瓶颈。未来“多路并行+防放弃 prompt”或成范式，而完善 Lean 工具链是确立 AI 证明可信度的关键。
针对复杂疾病治疗难题，Arc 研究所正利用 AI 构建通用“虚拟细胞”模型。该模型将 RNA 表达视为生命语言，计划四年内通过 CRISPR 和单细胞测序完成 10 亿次实验进行训练。研究人员可借此在电脑模拟中预测基因或化学干预方案，实现从盲目猜测到精准预测的转变。该工具将于今年晚些时候开源，有望在未来四五年内推动个性化医疗及复杂疾病治疗取得临床突破。
围绕《2025 Lmarena AI 模型基准测试最新排名》展开交流，未登录用户可浏览评论，登录后可参与讨论。
