独立评测同日更新：Claude Opus 5.5 以 0.750 分登顶 CADArena，Grok 4.7 列 Agent Arena 第 16 位

9 月 25 日 00:30（UTC），独立评测方 Normal 在 X 上宣布：9 月 22 日发布的 Claude Opus 5.5 以 0.750 分登顶其 CAD Arena 榜单，从 OpenAI 的 GPT-6 Astra（0.671 分）手中接过第一名；同一帖文还写明，Grok 4.7 的得分低于上一代 Grok 4.6，也低于 OpenAI 的 GPT-6 Luna。约三个半小时后，评测平台 Arena.ai 宣布 Grok 4.7（帖文标注 @SpaceXAI）以第 16 位进入其 Agent Arena 排名：净改进 +3.96%，高于上一版 Grok 4.6 的 +1.22%，但单任务中位成本从 0.74 美元升至 1.14 美元，约涨 54%。

两份结果分属两家不同的评测方，测的任务、算分的方式都不一样，数字不能放在一起直接比较；两份榜单的数据都来自评测方自己的基准运行。

图：Normal 是文中第一份榜单（CAD Arena）的发布方，其官网首页自述为“一家面向硬件设计的应用研究实验室”（Normal is an applied research lab for hardware design）。（图源：normal.ai）

Normal 更新 CADArena：六款新模型同批入库

写道：“Opus 5.5 是 CADArena 的新科第一。我们新增了六款模型。Opus 5.5 得分 0.750，从 GPT-6 Astra（0.671）手中接过榜首；Grok 4.7 得分低于 Grok 4.6 和 GPT-6 Luna。”帖文本身没有附方法细节，方法说明放在它的上。截至 9 月 28 日检索，这条帖文获得约 400 个赞、超过 5.1 万次浏览。

Opus 5.5 由 Anthropic 于 9 月 22 日发布，官方账号称它“在大多数任务中达到 Claude Fable 5.1 的水平”，且“运行成本比 Opus 5 低 40%”（；）。三天后，它在 CADArena 坐上头名。

榜单页面显示：现收录 12 个模型、覆盖 5 个 CAD 平台，1,080 次试验中 995 次计入打分，最后更新于 9 月 25 日。9 月批次新加入的六款模型——Opus 5.5、GPT-6 Sol、GPT-6 Luna、Grok 4.7、Inkling、Inkling Small——的数据来自 9 月 24 日捕获的十次运行，无输出的试验不计入分数。

排名表上，Opus 5.5 在 Claude Code 环境里于 90 项试验中完成 88 项计分，得到 0.750，平均每次试验花费 15.54 美元、消耗 1.10M tokens（词元）；GPT-6 Astra（Codex 环境，90 项全部计分，7.13 美元）以 0.671 退居第二；Anthropic 自家的 Fable 5.1 以 0.662 排第三，与 Astra 只差 0.009。同批入库的 GPT-6 Sol 排第四（0.525），Inkling Small（0.143）与 Inkling（0.124）垫底。Grok 一侧：Grok 4.6 第 6（0.348），GPT-6 Luna 第 8（0.301），Grok 4.7 第 9（0.258）——在 Grok Build 环境里完成 84 项计分，平均每次 16.12 美元、1.03M tokens。

一场考“把图纸变成零件”的评测

CAD Arena 的任务设定写在页面上：让前沿模型在原生 CAD 平台内，依据工程图纸重建真实的机械零件，零件共 18 个；一个试验等于一个模型、一个零件、一个平台，每个模型要在全部平台上完成全部零件。验证器（verifier）对结果的几何精度（geometry）与可编辑性（editability）分别打分，榜单分数是两者的均值，范围 0～1；95% 置信区间由对零件做自举（bootstrap）得出；成本只在账单可核实处显示，token 计数不含缓存读取。

按这个口径，Opus 5.5 的 0.750 分一半看零件造得准不准，一半看结果还能不能继续编辑；Grok 4.7 的 0.258 分同样由这两部分构成。

Agent Arena：三代 Grok 的分数与账单

Arena.ai 在 9 月 25 日 03:53（UTC）的里写道：“Grok 4.7（@SpaceXAI）刚刚进入 Agent Arena，排第 16 位，净改进分为 +3.96%。”帖文给出三代 Grok 的对比：Grok 4.7 (xHigh) 单任务中位成本 1.14 美元、净改进 +3.96%；Grok 4.6 (High) 0.74 美元、+1.22%；Grok 4.5 0.43 美元、+1.50%。从 4.6 到 4.7，中位成本上涨 0.40 美元，涨幅约 54%。帖文以一句祝贺收尾：“祝贺 @SpaceXAI 团队带来这次扎实的发布！”截至 9 月 28 日检索，这条帖文有约 490 个赞、11.9 万次浏览。

对比中有一个帖文自己标注的差异：Grok 4.7 用的是 xHigh 档，Grok 4.6 用的是 High 档，两边并不完全同档。

图：Arena.ai 9 月 25 日随帖发布的 Agent Arena 净改进排行（相对基线，%）：Grok-4.7 (xHigh) 以 +3.9% 列第 16 位，榜首 Claude Fable 5.1 (Max) 为 +13.4%，GPT-6 Astra (Max) 以 +11.0% 居次。（图源：Arena.ai）

五项信号：Confirmed Success 第 6，Steerability 第 28

帖文列出了 Grok 4.7 (xHigh) 的五项信号排名：Confirmed Success 第 6（+10.41%）、Bash Recovery 第 12（+5.98%）、Praise vs Complaint 第 16（+4.93%）、Steerability 第 28（-1.89%）、Tool Hallucination +0.36%（帖文称“没有问题”）。按的定义，Confirmed Success 衡量模型让用户确认任务完成的比例，Bash Recovery 衡量命令失效后的恢复速度，Steerability 衡量模型接住用户纠正的能力，Tool Hallucination 衡量模型虚构不存在工具的程度——Steerability 是五项里唯一的负值。

按，Agent Arena 的数据来自全球社区用户的数百万个真实、长程智能体任务，模型可以调用网页搜索、文件系统和终端工具来完成复杂工作流；榜单用“因果追踪”（causal tracing）方法衡量各模型相对平均模型的结果表现，“净改进”就是相对这个基线的读数。Opus 5.5 发布当天（9 月 22 日）就被 Arena.ai 加入 Agent Arena 和 Battle Mode（）；三天后，Grok 4.7 带着自己的第一份 Agent Arena 分数入场。

口径不同，解释缺席

CAD Arena 的 0.750 是几何与可编辑性的绝对均分，Agent Arena 的 +3.96% 是相对社区基线的净改进；前者按一次计分试验计成本，后者按单任务中位成本计。对 Grok 4.7 的归属，两家写法也不同：Normal 的榜单把 Grok 4.6、Grok 4.7 列为 xAI 的模型，Arena.ai 的帖文则把 Grok 4.7 标在 @SpaceXAI 名下，两条帖文互不提及对方。

Normal 的榜单页给出了运行编号 erun_870e9e2d0ad64b7497 和捕获时间（2026-09-25 05:45 UTC），Arena.ai 的方法说明写在帖文与榜单页里；两边的帖文和页面都未附第三方复核材料。

CAD Arena 的成本栏还提供了一个分数之外的对照：12 个模型里，单次计分试验平均花费最高的是 Fable 5.1（17.70 美元），第二是排第 9 的 Grok 4.7（16.12 美元），第三是登顶的 Opus 5.5（15.54 美元）。至于 Grok 4.7 为什么在 CAD Arena 上低于自家上一代、为什么在 Agent Arena 只排到第 16 位，两条帖文都没有给出解释。

参考链接

Normal（CADArena）X 帖文：
Arena.ai X 帖文：
Normal CAD Arena 榜单页：
Arena.ai Agent Arena 榜单页：
Arena.ai LinkedIn 版帖文（含方法论说明与图表）：
Claude 官方账号发布帖：
Anthropic 发布帖：
Arena.ai Opus 5.5 入场帖：
Agent Arena 图表来源文件（Arena.ai，LinkedIn 帖附图）：
Normal 官网首页卡片来源文件：