UC伯克利推出了“智能体最后的考试”基准测试，评估AI Agent在实际工作中的表现。测试结果显示，最强的Claude Fable 5和GPT 5.5在最难档次中均未通过，而GPT 5.5在较低难度中稍胜Fable 5。该测试覆盖55个行业，强调了AI在真实工作中的能力及其局限性。

谷歌推出了Android Bench基准测试平台，旨在帮助开发者评估AI模型在Android应用开发中的表现。该平台提供实时更新的排行榜，评估模型生成代码的能力，促进高质量Android开发。最新数据显示，GPT 5.5是最佳AI模型。

Opus 4.7适合计划与创意，而GPT 5.5在执行与代码修复上更强。结合使用可以提高效率，Claude在复杂推理上表现更好，GPT在处理无结构代码时更有效。根据任务类型灵活切换工具，能更好地完成工作。两者互补，最佳策略是同时使用。