Event ·Single source

LoopArena：模型作为管理者的可测量基准

LoopArena 基准测试解决了编码智能体评测中的盲区，将模型作为管理者的能力从系统能力中剥离单独测量。该基准采用 Controller-Reporter-Worker 三角架构，固定 Worker 为 Qwen3.7-Plus，只评测 Controller 模型的决策能力。实验评测了 5 个模型，包括 GPT-5.5 和 Claude Opus 4.8，结果显示长程循环控制仍然困难，最高成功率仅 24.69%。

Current read

LoopArena 基准首次单独测量模型作为'管理者'的能力，发现 GPT-5.5 在长程任务中表现最佳，但成功率仍不足 25%。

2 sources78° AI heatLast updated 2026/9/1 00:59:19

Evidence

2 sources

Primary sourceshao__meng

2026/9/1 00:59:19View source

Related source 1lmarena.ai

2026/9/2 22:16:14View source

Conflict check

Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.

Open the story