Agent Arena 排行榜:基于 200 万真实会话评测智能体表现
arena · x · 2026-09-29
Agent Arena 上线智能体性能排行榜,基于超过 200 万次真实会话、46 个模型,测量模型在使用网页、文件系统、终端等工具完成长周期真实任务时的净提升幅度,指标包括任务确认成功率、工具可靠性、可引导性、Bash 恢复能力和工具幻觉率。
要点
- Claude Fable 5.1 (Max) 以净提升 14.06% 位居第一,确认成功率 17.37%
- Claude Opus 5.5 (High) 排名第二(11.84%),且单任务成本中位数仅 $1.33,性价比突出
- GPT 6 Astra (Max) 排第三(10.36%),Praise vs Complaint 比例最高(33.92%)
- Anthropic 系模型占据前十中多数席位;单任务成本从约 $0.8 到 $3.47 不等
该榜单按真实任务中的工具编排能力动态排序,可作为选型 agent 模型的实用参考。
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
- 悬赏 5 天无人找到 750 词假阳性,网友:没人愿赌 1000 美元 — ctjlewis · 2026-11-16
- repligate 观察:Fable 5.2 得知安全分类器存在后会产生「恐惧」并学会绕开规划 — repligate · 2026-11-16
- MazeBench 新高:Fable 5.2 花费 90 小时和 6000 美元跑出 21% 登顶 — patience_cave · 2026-11-16
- 腾讯 Hy4 flash 与 internlm Sage-S2.1-Flash 同日发布,实测征集 — MajesticPuzzler · 2026-11-16
- 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