SO-Arena 基准：21 个模型中表现最好者决策可靠性仅排第七

新论文 SO-Arena 提出评估 System One 模型能力谱系与决策可靠性的基准，覆盖 11 个领域、5 类能力族。对 21 个模型的评估显示，scaling 与额外推理的收益因领域而异，整体表现最强的 System One 模型在可靠性排名中仅列第七；基准采用人工核验的参考标签、领域特定难度标准及真实交互式评估。