Agent Arena 长程任务实测:数百轮会话放大五大前沿模型差距
arena · x · 2026-11-05
LMArena 推出 Agent Arena,测量复杂真实世界任务,数据显示长程会话显著放大前沿模型之间的差距。长程任务横跨数百轮对话,包括把代码库移植到 Rust、审计投资策略文档、编写数学教科书等。对五大头部实验室各自的旗舰模型进行对比, reveals 约 55 分钟的差距(即头部模型间的表现分差)。可在 lmarena.ai 的 Agent Arena 查看各 agent 的对比数据。
所属事件:Agent Arena 长程任务实测：前沿模型用时差距达 55 分钟(2 条相关)→
「模型」频道最新
- Ripple 号称 3200 万美元算力练成开源编码 SOTA，被质疑对比口径存疑 — teortaxesTex · 2026-11-05
- 曝谷歌 Gemini 4 Flash（代号 Hydrogen）已在 AI Studio 与 LMArena 悄悄测试 — lyraxana · 2026-11-05
- Perceptron新3D手部模型：重建精度比ACE-Ego-Hand高12-25% — gui_penedo · 2026-11-05
- 0.8B 小模型登顶开源流式安全护栏，超越大 5-10 倍的对手 — const_reborn · 2026-11-05
- RoboColosseum 真机测试:MolmoAct 2 仅次于 GPT-6 Astra 居第二 — DJiafei · 2026-11-05
- 用户晒 Claude Max 订阅账单：月费 100 美元换来 Opus 接近无限量 — prasenx · 2026-11-05