Agent Arena 更新：Opus 5.5 登顶，新 Bash Reliability 指标上线

10 月 13-14 日，Arena（LMSYS 系）发布 Agent Arena 排行榜更新：Claude Opus 5.5 (Max) 登顶总榜，前 14 名全部为闭源模型；同时将 Bash Recovery 指标升级为 Bash Reliability，并披露开源模型仅用约 3 个月追平 7 月榜首且成本低 89-96%，值得关注。

已确认

榜单基于 238 万+ 会话、53 个模型的数据，采用「Confirmed Success」标准，即由用户确认任务是否真正完成，以衡量 agent 的实际可靠性（m2、m5）
总榜前五依次为 Claude Opus 5.5 (Max)、GPT-6.1 Sol (Max)、Claude Fable 5.1 等；据 @testingcatalog，Gemini 4 Argon 升至第五。净提升数字存在口径差异：@arena 的榜单详解称 Claude Opus 5.5 净提升 15.53%、GPT 6 Astra (Max) 13.09%；@testingcatalog 转述为 Opus 5.5 +16.8%、GPT-6.1 Sol +15.3%
评测维度方面，据 @arena 的分析帖，Claude Opus 5.5 净提升居首，Gemini 4 在工具幻觉上表现最低
Bash Recovery 升级为 Bash Reliability：新方法逐条读取每次 bash 调用的目的、结果与错误原因，以及错误是否在本次调用内被修复，只计入 agent 自身造成的失败，从而更精准衡量工具使用可靠性（m4、m6）
开源追赶：Arena 指出 7 月 1 日榜首 Claude Fable 5 领先所有模型，但仅 12 周（约 3 个月）后开源模型已追平其水平，且成本低 89-96%（m2）

为什么重要

Confirmed Success 与 Bash Reliability 都从「任务是否真正完成」「错误是否由 agent 自身造成」出发，比单纯胜率更贴近 agent 的真实可用性
开源模型以极低成本快速追平闭源旗舰，若趋势持续，将显著改变 agent 领域的成本格局与模型选型逻辑

2026-10-13 ~ 2026-10-14 · 6 条相关

一手来源

Agent Arena 新榜：Claude Opus 5.5 登顶，前14名全是闭源模型 — arena · 2026-10-14 00:43 北京时间
Agent Arena：开源模型3个月追平 Claude Fable 5，成本低89-96% — arena · 2026-10-13 02:24 北京时间
Agent Arena 推出 Bash Reliability：只罚 agent 自己犯的命令行错误 — arena · 2026-10-14 00:43 北京时间

【源头】Agent Arena：开源模型3个月追平 Claude Fable 5，成本低89-96% — arena · 2026-10-13
Agent Arena 榜单详解：Opus 5.5 净提升居首，Gemini 4 工具幻觉最低 — arena · 2026-10-13
【源头】Agent Arena 新榜：Claude Opus 5.5 登顶，前14名全是闭源模型 — arena · 2026-10-14
【源头】Agent Arena 推出 Bash Reliability：只罚 agent 自己犯的命令行错误 — arena · 2026-10-14
Agent Arena 榜单更新：Bash 可靠性新指标，Opus 5.5 居首 — arena · 2026-10-14
Agent Arena 榜单:Gemini 4 Argon 升至第五,Opus 5.5 居首 — testingcatalog · 2026-10-14