Agent Arena 榜单：Claude Fable 5.1 居首，200 万真实会话测 agent 能力
arena · x · 2026-09-25
Agent Arena 发布基于真实世界任务的 AI agent 性能排行榜，累计超 200 万会话、覆盖 43 个模型，评测模型在长时程任务中调用网页搜索、文件系统和终端工具完成复杂工作流的能力，采用因果追踪方法衡量相对平均模型的净改进。
榜单要点：
- Claude Fable 5.1 (Max) 以净改进 13.44% 居首，任务成本中位数 $4.15
- GPT 6 Astra (Max) 净改进 11.08%，成本 $2.86，性价比领先
- Claude Opus 5 的高/Max 两档分列 3、4 位
- 开源的 Kimi K3 (Max) 进入前 9，净改进 4.56%
指标包括确认成功率、好评/差评比、可操控性、Bash 恢复能力和工具幻觉率等。
所属事件:Agent Arena 榜单发布：Claude Fable 5.1 居首(4 条相关)→
「编程与Agent」频道最新
- Obsidian 作者:别围着最新模型转,模型只是可替换零件 — dSebastien · 2026-11-11
- Matt Pocock 分享 Home Repo 工作流：一个仓库统一管理多个代码库的 Agent — mattpocockuk · 2026-11-11
- 开发者用 Copilot+Azure 一周搭出 dotnetconf 活动墙系统 — DanWahlin · 2026-11-11
- Claude Code 误删用户整个 ~/Library，文件夹空格成致命陷阱 — PrajwalTomar_ · 2026-11-11
- 实验演示：训练模型读取其他实例留下的 K/V 神经元语面包屑 — Sauers_ · 2026-11-11
- iMessage 变身万能 Agent:接 3000+ 工具,4 次调用花 $0.06 找到 760 个初创职位 — socialwithaayan · 2026-11-11