Today for AI
返回热点榜
llm热度 14.7°

AI 聚簇研判事件 · 2026/10/13

Artificial Analysis 发布 AA-3D 基准：以 Elo 盲测评估大模型构建交互式 three.js 场景能力，Claude Sonnet 5.5 领跑

3 篇报道存证1 家独立信源交叉印证持续跟踪至 2026/10/14 08:44:35
全景综述与最新动态
1 家信源交叉印证

Artificial Analysis 正式推出全新基准测试 AA-3D，旨在精准评估大语言模型作为智能体在离线沙盒中根据文字简报构建交互式 three.js 3D 场景的能力。该基准摒弃了传统的静态代码检查指标，转而采用基于超过 10,000 次人类盲测投票生成的 Elo 排名体系，直接反映最终视觉效果与交互体验的用户偏好。

在技术实现上，AA-3D 允许模型调用 Blender、Rapier 物理引擎及 Python 进行多轮迭代构建。最新数据显示，Claude Sonnet 5.5 以 1194 分位居榜首，并与多款 Anthropic 及 OpenAI 模型在统计上持平。值得注意的是，性能与成本并非线性相关，尽管 GPT-6 Luna 成本最低但仅排名第八，而顶级模型在复杂空间逻辑处理上仍展现出显著优势，揭示了不同架构在三维生成任务上的差异化表现。

这一基准的发布为开发者提供了更贴近真实应用场景的评估维度，填补了现有评测在动态交互与视觉质量量化方面的空白。它促使业界重新审视模型在具身智能与前端自动化领域的潜力，推动 AI 从单纯的文本生成向具备空间理解与实时渲染能力的综合智能体演进，对游戏开发、数字孪生及 Web 3D 应用生态具有深远影响。

最新动向/Anthropic 的 Claude Sonnet 5.5 在 Artificial Analysis 编码代理指数中表现卓越，其中 max effort 模式以 68 分位居榜首。然而，xhigh 模式以不到四分之一的成本（$3.33 vs $14.19）获得 63 分，提供了极具吸引力的性价比权衡。数据显示，max 模式通过增加 4.8 倍输出 token 和 3.4 倍交互轮次来提升性能，尤其在 Terminal-Bench 4.0 基准上提升显著。

热度曲线逐小时热度走势

55 个完整观测小时
当前
14.7
峰值
40.309:00
近 24h 变化
-43%

曲线只比较全程持续完整观测的同一批信源；缺口小时数据已插值平滑，保持趋势连续。

TIMELINE报道时间线

共 3 篇 · 最新优先
  1. Artificial Analysis (@ArtificialAnlys)T1·72 分

    Claude Sonnet 5.5 登顶编码代理指数：Max 模式性能领先但 xhigh 性价比更优

    原标题：Sonnet 5.5 tops the Coding Agent Index at max effort, while xhigh offers an attractive cost-performa...

    • Claude Sonnet 5.5 在 max effort 模式下以 68 分领跑编码代理指数，但在 xhigh 模式下以 63 分实现极高性价比。
    • xhigh 模式单次任务成本仅为 $3.33，相比 max 模式的 $14.19 降低约 77%，仅损失 5.5 个指数点。
    • max 模式通过生成 4.8 倍的输出 token 和进行 3.4 倍的交互轮次来换取性能提升，在 Terminal-Bench 4.0 上得分从 58.1% 提升至 66.2%。
  2. Artificial Analysis (@ArtificialAnlys)T1·78 分
    • AA-3D 采用“智能体+沙盒”模式，允许模型调用 Blender、Rapier 物理引擎及 Python 进行多轮迭代构建 3D 网页。
    • 评分机制基于大规模人类盲测（Elo 排名），确保了对最终视觉效果和交互体验的直观评估，而非仅依赖静态代码检查。
    • 数据显示性能与成本并非线性相关，最便宜的 GPT-6 Luna 表现优于多数高价模型，但顶级模型在复杂场景构建上仍有显著优势。
  3. Artificial AnalysisT1·68 分

    Artificial Analysis 发布 AA-3D 基准：以 Elo 排名评估大模型构建交互式 three.js 场景能力

    原标题：Announcing AA-3D: a benchmark for AI models building interactive 3D experiences

    • AA-3D 核心机制是让模型作为 Agent 在离线沙盒中根据文本简报生成 three.js 代码并渲染网页。
    • 评分体系摒弃传统静态指标，采用人类专家盲测配对投票并转化为 Elo 排名，更贴近真实用户体验偏好。
    • 当前榜单显示 Claude Sonnet 5.5 表现最佳，但头部模型（Anthropic/OpenAI）之间差距缩小至统计不显著水平。