Agent Arena 榜单:200 万真实任务实测,Claude Fable 5.1 居首
arena · x · 2026-09-29
Agent Arena 发布基于真实世界任务的 AI Agent 排行榜,已累计 205 万+会话、覆盖 45 个模型。任务来自全球用户社区的长周期复杂工作流,模型可调用网页搜索、文件系统与终端工具,采用因果追踪方法衡量相对平均模型的结果改进。
榜单头部(Net Improvement):
- Claude Fable 5.1 (Max) 13.84%,确认成功率 17.51%,单任务成本中位数 $3.51
- Claude Opus 5.5 (High) 12.15%,steerability 最高(14.5%),成本 $1.35
- GPT 6 Astra (Max) 10.31%
- Claude Opus 5 (Max) 9.58%
- Claude Opus 5 (High) 9.47%
榜单还细分工具可靠性、投诉比、Bash 恢复、工具幻觉(各家均在 0.3% 左右)等维度,Anthropic 系模型在确认成功率上整体领先。
所属事件:Agent Arena 发布 200 万真实任务智能体排行榜(2 条相关)→
「模型」频道最新
- 网友晒 Qwen 4 Max 生成珊瑚礁作品,模型名尚未官方发布 — intellectronica · 2026-11-16
- Devin 中现 stealth 模型 silicon-2,疑似 Anthropic 新模型 — kimmonismus · 2026-11-16
- Google AI Mode隐藏所用Gemini型号,Gemini 4 Carbon下放Pro用户 — gaganghotra_ · 2026-11-16
- 开源 Karpo-Decision-31B 单次前向出概率,登顶 Decision Index 超越 Gemini — CodeByPoonam · 2026-11-16
- AI 日报:DeepSeek 限额、千问砍价惹店公告、豆包工作台上线 — 快鲤鱼 · 2026-11-16
- Nathan Lambert 点破 Ethan Mollick 榜单对比漏掉了 Kimi — natolambert · 2026-11-16