论文与研究

Arena 发布真实世界 AI 智能体排行榜 Agent Arena

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

AI 摘要

Arena 推出基于真实用户任务的智能体排行榜,评估模型在代码编写、应用构建、文档分析等工作中的表现,而非孤立基准。排行榜基于30万+任务、200万+工具调用和4000万行代码,综合任务成功、纠正遵从性、错误恢复、用户表扬与抱怨、工具幻觉等信号。前三名:GPT-5.5 High(+10.7%)、Claude Opus 4.7 Thinking(+9.5%)、GPT-5.4 High(+8.9%)。

关键信息

  • Arena 推出基于真实用户任务的智能体排行榜,评估模型在代码编写、应用构建、文档分析等工作中的表现,而非孤立基准。
  • 排行榜基于30万+任务、200万+工具调用和4000万行代码,综合任务成功、纠正遵从性、错误恢复、用户表扬与抱怨、工具幻觉等信号。
  • 前三名:GPT-5.
  • 5 High(+10.
  • 7%)、Claude Opus 4.

速览

发布时间
更新时间
来源
X:Rohan Paul (@rohanpaul_ai)
分类
论文与研究
AI 评分
76
阅读原文 前往信息源阅读完整正文
推荐理由

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。

相关实体

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:Arena 发布真实世界 AI 智能体排行榜 Agent Arena。2026年6月6日。https://new.nat6.net/news/cmq1hy4wt0fyrsltrxx64boz8/

查看全部 →