Agent Arena 分析 20840 条轨迹：编码智能体差评首因是代码跑不通

Arena 团队分析了 Agent Arena: Code 平台上 29 个模型的 20840 条用户反馈轨迹，用直接的正负评价来衡量编码智能体的实际表现。投诉中 69.1% 指向代码无法运行，其后是输出不完整（27.1%）、收尾与可用性差（27.1%）和忽视指令（20.3%）。Fable 5.1 的“slop”与设计类投诉占 3.9%，低于 Astra 的 5.7%，“flaky”类投诉占 3.1%，也低于 Astra 的 5.0%。29 个模型的数据还显示，各实验室的新一代前沿模型获得的正反馈占比普遍更高。