精选理由
做智能体开发和评估的团队终于有了基于真实用户行为的量化指标，比传统基准测试更贴近实际使用，建议点开看看你的智能体在这些信号上表现如何。
Agent Arena 排行榜正式上线，该榜单基于超过一百万次真实野外会话数据，挖掘出五个关键行为信号来评估智能体性能：确认成功、表扬与投诉、可操控性、Bash 恢复以及工具幻觉检测。这些信号从真实用户交互中提取，能更准确地反映智能体在实际场景中的表现。开发者可通过 arena.ai/leaderboard/ag 查看排行榜，了解不同智能体的行为质量。
AI 翻译 · 中文
Agent Arena 排行榜正式上线，该榜单基于超过一百万次真实野外会话数据，挖掘出五个关键行为信号来评估智能体性能：确认成功、表扬与投诉、可操控性、Bash 恢复以及工具幻觉检测。这些信号从真实用户交互中提取，能更准确地反映智能体在实际场景中的表现。开发者可通过 arena.ai/leaderboard/ag 查看排行榜，了解不同智能体的行为质量。
The Agent Arena leaderboard has five behavioral signals to start, mined from over a million real in-the-wild sessions: - Confirmed Success - Praise vs Complaint - Steerability - Bash Recovery - Tool Hallucination Check o…