榜首发布与核心差异
Windsurf 团队正式公布了 Arena Mode 的首份榜单结果，此前在第 14 期周报中曾做过预告。访问网址 windsurf.com/leaderboard 即可查看最新排名。与常见的网页版评测不同，这套内嵌于 IDE 的环境引入了全新的评价逻辑。
内嵌 IDE 改变任务形态
Arena Mode 的运行场景完全不同于浏览器端。在 IDE 内部，系统考察的是现代编码智能体的全栈能力，包括代码库问答、Bug 修复、终端命令执行和 MCP 和 Skills 调用。实际对话平均控制在 3 到 6 轮，不再像以往那样被大量低价值的“即写即弃”前端页面主导。
用户群体与规则变化
IDE 内部用户与网页版用户重合度极低。更重要的是，Windsurf 彻底改变了“快且合格”的模型处于劣势的局面。传统网页版评测为追求双盲实验的严谨，往往要等最慢的那个模型跑完才结算，这天然限制了高响应模型的得分空间。
速度与质量的权衡
Windsurf 追求的是“速度与质量”的平衡点，核心目标是让 AI 帮助用户维持心流，避免在漫长的等待中被打断。所以，当某个模型先返回结果且质量达标时，用户可以直接投票支持它。这一机制迫使模型必须在有限算力下输出有效结果，杜绝了那些用 10 倍算力换取微小质量提升的低效策略，让学术界的评测结果与真实使用体验回归一致。
一周 4 万票，谁胜出了？
仅用一周时间，该榜单已收集 4 万票。统计结果证实了部分行业观点，比如说 Claude Opus 4.6 在置信度上确实超过了 4.5 版本。但更多“冷门”结果更具讨论价值：
- Gemini 3 Flash 与 Grok Code Fast 双双跑赢了 Gemini 3 Pro；
- Claude Haiku 4.5 的表现超越了 GPT 5.2；
- 业界期待 K2.5 战胜 Sonnet 4.5 的假设并未成真；
- Windsurf 自家研发的 SWE 1.5 模型成功击败了 Claude Haiku。
排名靠前的模型在速度与质量上实现了双重优势。团队发现，大量任务中“首答且合格”已足以决定胜负，或者落后模型的质量并未高到足以弥补其耗时导致的 Elo 分差。产品负责人 Theo 对此给出的总结是：“用户要的是速度。”
自评榜单的争议与澄清
Windsurf 自家模型 SWE 1.5 名列前茅（特别是速度榜）引发了外界审视。为回应质疑，团队采用了 Arena.ai 公开的评测算法，并同步公布了置信区间，保留排名波动空间。Arena.ai CEO Anastasios 也表示欢迎 Cognition 采用其标准，期待更多行业级榜单的诞生。Windsurf 坚持原样公开结果，不附加主观解读。
没有完美模型
目前没有任何一款模型在胜率上能突破 80% 的大关。测试中，部分排名较低的模型反而能在特定任务上战胜最强模型。随着 Arena Mode 的成熟，深入分析这种任务多样性和探索当前前沿模型的边界，将有助于指导下一代编码模型的优化方向。
去偏见与社区价值
IDE 内的盲测机制也在改变团队对模型的主观感知。CTO Steven 认为，过去人们很容易陷入对特定模型的偏见，而 Arena Mode 强迫评测保持客观与功绩制。这份榜单被视为对开发者社区的公开贡献。Windsurf 计划在 GPT-5.3-Codex 上线后尽快更新榜单，继续向社区提供前沿模型的客观参考。
