AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：智能体评测×
6月16日
20:46
6月12日
12:57
04:05
04:05lmarena.ai@lmarena_ai
精选73°
GPT-5.5 (xHigh) 在 Agent Arena 中排名第二，净提升 10.6%，成为 OpenAI 排名最高的模型，仅次于 Claude Fable 5 (High)。在 Praise vs. Complaint 和 Bash Recovery 两项指标上，GPT-5.5 甚至超过了 Claude Fable 5。Agent Arena 通过数百万真实世界、长周期智能体任务评估模型，涵盖代码编写、幻灯片制作、网页研究、应用构建和文档分析等复杂工作流。该平台还推出了 Agent Mode，允许用户直接测试 GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro 等前沿模型。
AI模型GPT-5.5Agent Arena智能体评测Claude Fable 5OpenAI
推荐理由：做智能体开发和 AI 评测的团队值得关注——GPT-5.5 在用户满意度和故障恢复上反超 Claude，说明 OpenAI 在实用场景上有了实质提升，建议直接去 Agent Arena 跑跑自己的任务。
原文
6月11日
15:28
15:23
15:07
05:37
05:37lmarena.ai@lmarena_ai
83°
Claude Fable 5 在全新 Agent Arena 排行榜上以最大优势超越 Opus-4.8 和 GPT-5.5，排名第一。该排行榜基于 30 万+真实任务、200 万+工具调用和 4000 万行代码评估，衡量模型在任务成功率、用户表扬/抱怨比等关键信号上的表现。Fable 5 在可完成任务上表现极佳，但可引导性较弱。Agent Arena 提供网页搜索、文件系统和终端工具，让模型完成编写代码、制作幻灯片、研究网页等复杂工作流。
AI模型Claude Fable 5Agent Arena智能体评测Anthropic任务成功率
推荐理由：做 AI 智能体开发的团队终于有了真实任务驱动的评测基准——Fable 5 在 30 万任务中碾压对手，值得关注其强执行与弱引导的权衡。
原文
6月6日
03:21
03:21lmarena.ai@lmarena_ai
Arena 平台推出全新的 Agent Mode，并已将 Mistral 3.5 模型纳入其中。该模式允许模型执行深度研究、生成报告、创建网站、调试代码等复杂任务，通过调用网页搜索、沙箱环境 bash、图像生成、文件写入等工具完成。用户可亲自测试包括 GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro 及顶级开源模型在内的前沿模型。用户的测试会话将帮助塑造 Agent Arena 排行榜，为评估智能体能力提供真实场景数据。
AI产品Mistral 3.5ArenaAgent Mode智能体评测模型对比
推荐理由：Arena 的 Agent Mode 让开发者能直接对比主流模型在真实复杂任务上的表现，做智能体应用选型的团队值得亲自上手测试，结果会直接影响排行榜。
原文