Agent Arena 榜单更新：Bash 可靠性新指标，Opus 5.5 居首

arena · x · 2026-10-14

LMSYS 系 Agent Arena 排行榜发布更新，将 Bash Recovery 指标升级为 Bash Reliability：逐条分析 bash 调用的目的、结果与错误原因，只统计 agent 自身造成的失败，更精准衡量工具使用的可靠性。

当前 Overall 榜前列：Claude Opus 5.5 (Max) 净提升 16.77% 居首，GPT 6.1 Sol (Max) 15.31% 第二，Claude Fable 5.1、GPT 6 Astra、Gemini 4 Argon 分列 3-5 位。榜单基于约 253 万真实会话，覆盖 52 个模型，指标包括任务成功率、用户满意度、可操控性、工具幻觉率与单任务成本等。