The Agent Arena ranks agentic ability to solve problems across domains. U.S. labs lead across ever...

Arena.ai 在 X 上的推文："Agent Arena 评估代理在不同领域解决问题的能力。美国实验室在所有领域均处于领先地位：- @AnthropicAI 模型在代码、工作和聊天任务中均排名第一 - @OpenAI 的 GPT 6 Astra (Max) 在所有三个类别中均位列前四：代码任务中排名第二，工作和聊天任务中均排名第四。领先模型在各类别中表现强劲，但排名顺序有所变化：- Claude Fable 5.1 (Max) 在代码和工作任务中领先，并在聊天任务中排名第二 - Claude Sonnet 5.5 (Max) 在聊天任务中领先，并在代码任务中排名第四、工作任务中排名第五。代码和工作任务的排名关联性比聊天任务更紧密：- 例如，Gemini 4 Argon (High) 在代码任务中排名第14、工作任务中排名第12，但在聊天任务中排名第5，突显了其在对话代理任务中的独特优势。Agent Arena 根据模型相对于当前前沿的总体净提升以及在特定代理任务类别中的表现进行排名。这些排名基于从全球用户提交的真实世界任务中收集的代理行为数据。- 代码：编写和调试代码、工作流程自动化、数据分析 - 聊天：创意写作、学习、个人问题、日常研究、媒体生成 - 工作：文档编写、专业研究、规划、专业写作 该图表展示了截至 2026 年 10 月 5 日，所选模型在 Agent Arena 各类别中的对比情况。

8月17日

文章

代理排行榜改进：类别与任务成本

代理被要求执行各种类型的工作。这意味着仅基于性能的单一代理排行榜已不再足够。两个问题决定了使用哪个模型：什么最适合我的...

2026年10月5日 下午7:02

·

27.2K

浏览量

25

17

291

65