Главное движение в свежей пачке рейтингов — широкий заход новых моделей в визуальную доску Arena. Но рядом есть и более важный методологический сдвиг: отдельный рейтинг теперь смотрит не только на успех агента, а на сбои согласования с намерением пользователя.

Vision Arena получила шесть новых моделей за один день

В изменениях за 10 октября Arena добавила в Vision Arena сразу claude-opus-5.5-high, muse-spark-1.3 xHigh, gpt-6-sol-max, deepseek-v4.1-flash-max, grok-4.7-xhigh и gpt-6-luna-max. Это не одиночный рывок одной лаборатории, а синхронное обновление поля: Anthropic, Meta, OpenAI, DeepSeek и xAI теперь сравниваются в одном визуальном рейтинге на новых версиях. Для наблюдения за моделями это ценнее разового места в таблице, потому что показывает, где заново формируется верхняя группа.

Arena запустила Alignment Index для агентных сбоев

Новый Alignment Index построен на реальных агентных сессиях и смотрит на признаки ненадёжного поведения: неразрешённые действия, ложное приписывание результата и обманчивое завершение задачи. Это важный поворот для агентных тестов: успех выполнения больше не считается достаточным, если модель нарушает намерение пользователя или неверно сообщает о результате. Такой рейтинг может быстрее выявлять практические риски, чем обычная таблица побед по задачам.

Mistral Large 4 вошла в Text Arena и Agent Arena

mistral-large-4 теперь добавлена сразу в текстовую и агентную доски Arena. Для Mistral это двойная проверка: одна таблица сравнивает общие ответы и рассуждения, другая — поведение в более прикладных агентных сценариях. Если модель будет подниматься в обеих досках одновременно, это станет более сильным сигналом, чем успех только в обычном чате.

MiMo v2.6 Flash и Pro вошли в доски веб-разработки Arena

MiMo v2.6 Flash добавлена в рейтинг веб-разработки и в задачу превращения изображения в веб-интерфейс, а MiMo v2.6 Pro — в доску изображения-в-веб-интерфейс. Это даёт Xiaomi отдельную точку сравнения в задачах, где модель должна не просто ответить текстом, а собрать видимый интерфейс. Для разработчиков особенно важна вторая доска: она ближе к реальному сценарию, где макет или снимок нужно превратить в работающую страницу.

Gemini Nano Banana 2.1 вошла в генерацию и редактирование изображений

gemini-nano-banana-2.1 появилась сразу в двух визуальных рейтингах Arena: генерации изображения по тексту и редактирования изображения. Это даёт Google свежую позицию не только в создании новых картинок, но и в более практичной задаче правки уже существующего изображения. Для сравнения визуальных моделей такая связка важна: сильная генерация без сильного редактирования хуже подходит для рабочих процессов дизайнеров и редакторов.

Claude Sonnet 5.5 xHigh расширилась из веб-разработки в текст и зрение

claude-sonnet-5.5-xhigh сначала вошла в доску веб-разработки, а затем была добавлена в Text Arena и Vision Arena. Это показывает, что Anthropic продвигает Sonnet 5.5 не только как модель для кода, но и как участника общих текстовых и визуальных сравнений. Теперь за ней стоит следить не по одному профилю задач, а по нескольким рейтингам одновременно: разрыв между кодом, текстом и зрением становится всё меньше.