Mga Papel at Pananaliksik

Inilabas ng Arena ang real-world AI agent leaderboard na Agent Arena

Orihinal na pamagat:Arena just released a real-world agent leaderboard that ranks AI models by how well they complete ac...

AI summary

Inilunsad ng Arena ang leaderboard ng agent batay sa mga totoong gawain ng user, na sinusuri ang pagganap ng modelo sa pagsulat ng code, pagbuo ng app, pagsusuri ng dokumento, at iba pa, sa halip na mga isolated benchmark. Ang leaderboard ay batay sa 300,000+ gawain, 2 milyon+ tool call, at 40 milyong linya ng code, na pinagsasama ang tagumpay sa gawain, pagsunod sa pagwawasto, pagbawi sa error, papuri at reklamo ng user, tool hallucination, at iba pang signal. Nangungunang tatlo: GPT-5.5 High (+10.7%), Claude Opus 4.7 Thinking (+9.5%), GPT-5.4 High (+8.9%).

Mahahalagang impormasyon

  • Inilunsad ng Arena ang leaderboard ng agent batay sa mga totoong gawain ng user,na sinusuri ang…
  • Ang leaderboard ay batay sa 300,000+ gawain,2 milyon+ tool call,at 40 milyong linya ng code,na…
  • Nangungunang tatlo: GPT-5.
  • 5 High (+10.
  • 7%),Claude Opus 4.

Mabilisang tingin

Na-publish noong
Na-update noong
Pinagmulan
X:Rohan Paul (@rohanpaul_ai)
Kategorya
Mga Papel at Pananaliksik
AI na marka
76
Basahin ang orihinal Basahin ang buong artikulo sa orihinal na pinagmulan
Dahilan ng rekomendasyon

Arena 跳出了刷榜逻辑,用真实用户的多轮交互来评估 Agent,这比任何 toy benchmark 都更有说服力,选模型做 Agent 应用的可以把它当新指南。

Kaugnay na Entity

Pinagmulan at copyright

Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.

Link ng orihinal · Entry sa AIHOT

Paano banggitin

Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.

Orange News: Inilabas ng Arena ang real-world AI agent leaderboard na Agent Arena. 6 Hunyo 2026. https://new.nat6.net/fil/news/cmq1hy4wt0fyrsltrxx64boz8/

Tingnan lahat →