Arena 推出 Agent Arena Index:近 300 万真实会话衡量 agent 实战能力
infwinston · x · 2026-11-19
LMArena(Arena)上线 Agent Arena Index,作为衡量 agent 整体表现的头牌指标,基于近 300 万真实世界 agentic 会话数据,并同步推出六个细分指数:Agentic Work、Coding、Chat、Task Outcomes、Tool Use 和 Steering,加上既有 Alignment Index,构成对 agent 在真实任务中表现的完整视图(从复杂工作流、工具使用到根据反馈调整)。
随新指数上线,评分体系也更新为更稳定、更可解读的形式。配图榜单显示 Claude Fable 5.2 (Max) 以 1453 分居首(领先第二名 117 分),Gemini 4 Neon (High) 1336 分列第二;帕累托前沿图还给出各模型每任务成本与耗时对比(如 Muse Ember 以 1/100 价格提供稳健表现)。
所属事件:Arena 发布 Agent Arena Index,290 万真实会话重构智能体榜单(7 条相关)→
「模型」频道最新
- Anthropic:Claude 解决黑洞物理两个悬置 20 年的开放问题 — burny_tech · 2026-11-19
- GPT-6.2 生成颗粒纹理竟复用 1992 年教科书随机数代码 — every · 2026-11-19
- KradleBench 经济维度:DeepSeek V4.1 Flash 成开源模型最好成绩 — dansitu · 2026-11-19
- Gemini 4 三款模型霸榜 BrushArena 前四,图像生成审美引热议 — teortaxesTex · 2026-11-19
- Astra 数学证明不走寻常路:自创 capacity 概念绕开三大 Mathlib 深定理 — IgorCarron · 2026-11-19
- 前 Claude 死忠粉实测:想用好 Astra/Sol,得重新学怎么下 prompt — mariofilhoml · 2026-11-19