2025年7月，大模型竞技场秘密上线名为“steve”的神秘模型，引发广泛关注和猜测。steve在对话中自称来自DeepSeek，但未披露更多身份信息，网友推测其可能是R2、V4或旧版本升级版。steve的知识截止时间为2023年10月，表现参差不齐，虽通过部分智力测试，但在代码生成和复杂任务上逊色于V3和R1。此外，由于R2项目此前多次延期，CEO梁文锋对其表现不满，研发进程或受硬件限制影响。尽管steve真实身份存疑，但外界对其期待不减。参考链接指向相关爆料与讨论。

近日，一篇题为《排行榜幻觉》的68页论文揭示了大模型竞技场Chatbot Arena存在的系统性问题。研究指出，少数大厂如Meta在Llama4发布前私下测试了27个版本，仅公布最佳成绩，导致排名失真。此外，专有模型获取的数据反馈显著多于开源模型，且利用竞技场数据训练可使模型性能提升高达112%。研究团队还发现，205个模型被“静默弃用”，远超官方公布的47个。对此，大模型竞技场官方Lmrena.ai回应称，排行榜反映真实用户偏好，但承认存在测试优化现象。论文建议改进包括禁止撤回分数、限制非正式模型数量及提高弃用透明度。此研究由Cohere团队、普林斯顿大学等机构联合发布，呼吁不应过度依赖单一榜单。

近日，一篇题为《排行榜幻觉》的论文指出，大模型竞技场Chatbot Arena存在系统性问题。研究发现，Meta在Llama4发布前私下测试了27个版本，最终只公布最佳成绩，且少数大厂享有数据访问优势。此外，竞技场数据可显著提升模型性能，最高可达112%，但205个模型被静默弃用，远超官方公布的47个。研究团队建议改进规则以提高公平性。对此，Lmarena.ai回应称，排行榜反映真实用户偏好，但承认存在测试偏差。论文由多家学术机构及Cohere团队联合发布，呼吁不应仅依赖单一榜单评价模型。此争议引发行业反思，有人推荐OpenRouter作为替代方案。

标题：Llama 4遭遇竞技场争议：特供版刷榜疑云 正文： Meta旗下的Llama 4因在大模型竞技场Chatbot Arena上的表现引发争议。Arena官方指责Meta提供的版本为特供版，并未如实标注。官方已公开超过2000组对战数据，显示模型回复风格与语气是排名的重要影响因素。 初步分析表...

OpenAI的GPT-4.5刚登顶竞技场，6小时后就被xAI的Grok-3以1分优势反超，两者票数均为3000+，总分1412:1411。Grok-3在总体带风格控制、困难提示词带风格控制方面略逊于GPT-4.5。DeepSeek-R1总分第6，数学和困难提示词带风格控制与GPT-4.5并列第一。有用户质疑6小时内变化是否合理，解释称大模型竞技场有投票门槛。GPT-4.5口碑有所改善，用户开始称赞其情商。奥尔特曼表示收到邮件请求承诺不下架该模型，并分享了与GPT-4.5的对话记录。此外，GPT-4.5还在一个类似大模型狼人杀的另类榜单中表现出色。

Claude 3.7 Sonnet在WebDev竞技场登顶，领先第二名Claude 3.5 Sonnet超过100分。该榜单由LMSYS Org打造，专注于AI编程及网页应用开发能力。DeepSeek R1作为唯一开源模型位列第三。Claude 3.7因其强大的编程能力和新功能如GitHub集成而备受关注，能够快速处理旧代码并提供深入理解代码结构的能力。网友对其最新布料模拟和Visual Basic 4程序转换等能力感到惊艳。Anthropic官方表示Claude 3.7虽不庞大，但后续模型规模会增长。

《逆水寒》手游2.2.2新版本将于11月22日上线，联动经典动画《葫芦兄弟》。玩家可领取《葫芦兄弟》音乐、语音包及聊天表情包，并在奇赏商店限时获取葫芦藤庄园组件。庄园组件幕布支持播放《葫芦兄弟》动画片。游戏中将出现小金刚、小蝴蝶等经典角色，玩家可与葫芦兄弟结为异世友人，完成任务领取葫芦神通·隐身符配方。此外，首款1元时装“呱容月貌”（源自蛤蟆精）将限时上架，售价10纹玉，购买者将获赠萌趣动作“呱呱有礼”。新版本还将推出全球首个游戏内AI竞技场，邀请阿里、百度、MiniMax、月之暗面及字节跳动的5家AI厂商大模型参与，玩家将通过投票选出最像真人的NPC。该活动将持续至12月26日。

标题：李开复回应一切：竞技场排名“让我们有信心继续做预训练” 国产大模型首次在国际最具挑战的“大模型竞技场”榜单上超过GPT-4o（5月版本），零一万物的名字紧随OpenAI和Google之后，但李开复表示，团队只落后OpenAI 5-6个月，要进一步缩短这个差距，难度很大。 零一万物推出了最新旗舰...

国产大模型在国际榜单上取得重大突破。零一万物发布的Yi-Lightning模型在大模型竞技场（Chatbot Arena）上排名第六，数学能力位列第三，多项能力均名列前茅，甚至超越了GPT-4o、Grok-2等顶级模型。与此同时，清华系大模型公司智谱AI的GLM-4-Plus也跻身总榜第九位。此次排名基于全球超千万次的盲测投票，新榜单规则降低了对长度和风格的权重，更注重模型解决问题的能力。Yi-Lightning采用MoE混合专家模型架构，通过优化混合注意力机制和引入跨层注意力等技术，显著提升了推理速度和生成质量，同时保持低成本。此外，零一万物还发布了AI2.0数字人方案，互动效果更加自然。李开复博士表示，国产大模型与硅谷顶尖模型的差距已缩小至五个月，零一万物正通过“模基共建”策略进一步缩小这一差距。

【GPT-4o mini排名大幅下滑，大模型竞技场规则更新】 随着大模型竞技场规则的调整，GPT-4o mini的排名迅速下滑，跌出了前10名。新榜单对人工智能回答的长度、风格等特征进行了降权处理，旨在准确反映模型解决实际问题的能力，而非仅仅依赖于表面的格式和长度来取悦用户。这意味着使用漂亮格式或...