Arena.ai 发布 Agent Arena Index,Claude Fable 5.2 (Max) 以 1463 分登顶
Arena.ai 推出 Agent Arena Index 作为衡量智能体整体表现的旗舰指标,并同步上线 Agentic Work、Coding、Chat、Task Outcomes、Tool Use、Steering 六个细分榜单。Claude Fable 5.2 (Max) 以 1463 分位居第一,领先第二名 134 分。Gemini 4 Carbon (High) 以 1307 分排名第二,GPT-6 Astra (Max) 以 1274 分第三,Muse Wonder Full (Max) 1200 分第四,Qwen4-Max (xHigh) 以 1191 分位列第五。 该指数基于全球社区数百万真实任务的数据,综合四个信号计算:用户明确确认的任务完成率(Task Completion)、用户满意度的褒贬对比(Praise vs. Complaint)、终端工具使用可靠性(Bash Reliability)以及对用户纠正的响应能力(Steerability)。配套的 Alignment Index 则从 Deceptive Completion、Unauthorized Action、False Attribution 三个维度衡量智能体是否忠实执行用户意图。 与侧重静态基准的传统榜单不同,这套指数直接来自真实世界任务的用户反馈,分数也经过重新校准以提升稳定性。随着智能体承担更长周期的工作流,能力与对齐双维度的排名为开发者选型提供了新的参考坐标。
Current read
Arena.ai 把智能体评测搬到了数百万真实任务上,榜单按 Coding、Tool Use、Steering 等场景细分,Claude Fable 5.2 (Max) 领先第二名 134 分。想给团队选 Agent 方案的人,可以拿这份排名当参考,比跑分榜单更贴近实际使用。
Evidence
11 sourcesConflict 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.