Agent Arena 榜单：Claude 系领跑智能体任务，每任务成本差距达 9 倍
arena · x · 2026-10-06
Agent Arena 发布面向真实智能体任务的模型动态排行榜，基于超 215 万次会话、覆盖 51 个模型，评估工具可靠性、任务完成率、可操控性、Bash 恢复与工具幻觉等维度。
- Claude Fable 5.1 (Max) 以 14.31% 净提升排第一，但单任务成本高达 $5.21
- Claude Opus 5.5 (High) 排第二（13.82%），成本仅 $1.58
- GPT 6 Astra (Max) 排第四（12.27%），$3.14/任务
- GPT 6.1 Sol (Max) 性价比突出：11.23% 净提升、$0.57/任务、$2/$10 定价
- 榜单还跟踪工具幻觉率（普遍 0.5% 以下）与会话量等指标
「模型」频道最新
- Beam 首个模型开源：501B-A23B 文本 MoE，Apache 2.0 全栈放发 — brandondamos · 2026-10-06
- 开发者警告：Pangram AI 检测器不可靠，不应被当真使用 — jdjohnson · 2026-10-06
- Gemini 4 Argon 登顶 Text Arena,超第二名 Opus 4.6 达 20 分 — arena · 2026-10-06
- Arena CEO:花钱雇人做基准数据集的那一刻,评测就不再真实 — arena · 2026-10-06
- Reflection AI 首个开放权重模型正式发布 — nmasc_ · 2026-10-06
- OpenAI 在 Responses API 内置 compaction,被指或成厂商锁定手段 — pvncher · 2026-10-06