पेपर और शोध

Arena ने वास्तविक दुनिया का एआई एजेंट लीडरबोर्ड Agent Arena जारी किया

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

AI सारांश

Arena ने वास्तविक उपयोगकर्ता कार्यों पर आधारित एजेंट लीडरबोर्ड पेश किया है, जो मॉडलों के कोड लेखन, ऐप निर्माण और दस्तावेज़ विश्लेषण जैसे कार्यों में प्रदर्शन का मूल्यांकन करता है, न कि अलग-थलग बेंचमार्क पर। यह लीडरबोर्ड 3 लाख से अधिक कार्यों, 20 लाख से अधिक टूल कॉल और 4 करोड़ पंक्तियों के कोड पर आधारित है, और कार्य सफलता, सुधार अनुपालन, त्रुटि पुनर्प्राप्ति, उपयोगकर्ता प्रशंसा व शिकायत, तथा टूल भ्रम जैसे संकेतों को समेकित करता है। शीर्ष तीन: GPT-5.5 High (+10.7%), Claude Opus 4.7 Thinking (+9.5%), GPT-5.4 High (+8.9%)।

मुख्य जानकारी

  • Arena ने वास्तविक उपयोगकर्ता कार्यों पर आधारित एजेंट लीडरबोर्ड पेश किया है,जो मॉडलों के कोड…
  • 5 High (+10.
  • 7%),Claude Opus 4.
  • 7 Thinking (+9.
  • 4 High (+8.

एक नज़र में

प्रकाशन समय
अपडेट समय
स्रोत
X:Rohan Paul (@rohanpaul_ai)
श्रेणी
पेपर और शोध
AI स्कोर
76
मूल पढ़ें मूल स्रोत पर पूरा लेख पढ़ें
सुझाव का कारण

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。

संबंधित एंटिटी

स्रोत और कॉपीराइट

यह लेख AIHOT के सार्वजनिक API की चयनित सुर्खियों और AI सारांशों के आधार पर तैयार किया गया है, स्रोत का उल्लेख और लिंक दिया गया है; मूल पाठ का कॉपीराइट मूल मीडिया और लेखक के पास है, यह साइट पूरा पाठ मिरर नहीं करती।

मूल लिंक · AIHOT प्रविष्टि

उद्धरण कैसे दें

इस लेख का उद्धरण देते समय शीर्षक, तिथि और स्थायी लिंक बनाए रखें और स्रोत Orange News बताएं।

Orange News: Arena ने वास्तविक दुनिया का एआई एजेंट लीडरबोर्ड Agent Arena जारी किया। 6 जून 2026। https://new.nat6.net/hi/news/cmq1hy4wt0fyrsltrxx64boz8/

सभी देखें →