Kertas penyelidikan

Arena lancar Agent Arena, papan pendahulu ejen AI dunia sebenar

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

Ringkasan AI

Arena memperkenalkan papan pendahulu ejen berdasarkan tugas pengguna sebenar, menilai prestasi model dalam penulisan kod, pembinaan aplikasi, analisis dokumen dan lain-lain, bukan penanda aras terpencil. Papan pendahulu ini berdasarkan lebih 300,000 tugas, lebih 2 juta panggilan alat dan 40 juta baris kod, menggabungkan isyarat seperti kejayaan tugas, pematuhan pembetulan, pemulihan ralat, pujian dan aduan pengguna, serta halusinasi alat. Tiga teratas: GPT-5.5 High (+10.7%), Claude Opus 4.7 Thinking (+9.5%), GPT-5.4 High (+8.9%).

Maklumat penting

  • Arena memperkenalkan papan pendahulu ejen berdasarkan tugas pengguna sebenar,menilai prestasi…
  • Papan pendahulu ini berdasarkan lebih 300,000 tugas,lebih 2 juta panggilan alat dan 40 juta baris…
  • Tiga teratas: GPT-5.
  • 5 High (+10.
  • 7%),Claude Opus 4.

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
X:Rohan Paul (@rohanpaul_ai)
Kategori
Kertas penyelidikan
Skor AI
76
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

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。

Entiti Berkaitan

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Arena lancar Agent Arena, papan pendahulu ejen AI dunia sebenar. 6 Jun 2026. https://new.nat6.net/ms/news/cmq1hy4wt0fyrsltrxx64boz8/

Lihat Semua →