Agent Arena 相关 AI 资讯

7月10日

03:22

lmarena.ai@lmarena_ai

93°

OpenAI 推出的 GPT-5.6 系列包含 Sol、Terra 和 Luna 三个模型，已登陆 Agent Arena、ChatGPT、Codex 和 API。Agent Arena 在数百万真实世界长程智能体任务上评测模型，支持网页搜索、文件系统和终端工具。Leaderboard 采用因果追踪方法衡量模型输出相对于平均模型的效果。Sol 还额外支持搜索功能。用户投票将驱动排名更新。

推荐理由：OpenAI 把 GPT-5.6 三兄弟 Sol、Terra 和 Luna 放到 Agent Arena 里了，能跑真实世界智能体任务，还能用网络和终端工具，去投个票就能影响排行榜。

原文

7月9日

22:46

lmarena.ai@lmarena_ai

精选73°

Muse Spark 1.1在Agent Arena中接受评测，该竞技场基于数百万个真实世界长期任务。模型可使用网络搜索、文件系统和终端工具完成复杂工作流，基准采用因果追踪方法测量相对性能。除Agent Arena外，Muse Spark 1.1还支持文本、视觉和前端代码竞技场的Battle Mode。Meta同时开放了Meta Model API公开预览，并在Meta AI应用中提供"Thinking"模式。

AI模型 Muse Spark 1.1 Meta Agent Arena 智能体模型评测

推荐理由：Meta发了Muse Spark 1.1，能处理长任务和调用工具，已经在Agent Arena上架了，还开放了API和思考模式，感兴趣可以看看。

原文

03:37

lmarena.ai@lmarena_ai

精选

Grok 4.5 由 SpaceXAI 发布，是首款针对编码和智能体任务训练的模型，并已进入 Agent Arena 基准测试。Agent Arena 基于百万级真实世界长时任务，允许模型使用网页搜索、文件系统和终端工具。排行榜采用因果追踪方法衡量模型相对于平均模型的结果表现。此外，Grok 4.5 还参与了 Battle Mode 中的文本、视觉和前端代码竞技场。

AI模型 Grok 4.5 SpaceXAI Agent Arena 智能体编程助手

推荐理由：SpaceXAI 新发的 Grok 4.5 专门为编程和智能体任务优化，已经在 Agent Arena 开测，你可以亲自去给它投票。

原文

7月7日

23:07

lmarena.ai@lmarena_ai

Agent Arena平台发布了一篇博客文章，详细介绍其因果追踪方法论。该方法用于分析智能体在竞技场中的决策路径，以提升评估的透明度和可解释性。

AI模型 Agent Arena 因果追踪智能体评估方法

推荐理由：Agent Arena搞了个新方法，能追踪智能体到底怎么做决策，挺适合研究评估方法的人看看。

原文

23:06

lmarena.ai@lmarena_ai

精选76°

Anthropic 发布 Claude Sonnet 5 (Thinking)，在 Agent Arena 排行榜上排名第6。该基准测试基于全球用户的数百万个真实长程智能体任务。模型可调用网络搜索、文件系统和终端等工具完成复杂工作流。Claude Sonnet 5 在任务成功率、用户满意度及 bash 能力上表现最强，工具幻觉率保持稳定。其可操控性分数置信区间较宽，仍在稳定中。

AI模型 Claude Sonnet 5 Anthropic Agent Arena 智能体推理模型

推荐理由：Anthropic 新出的 Claude Sonnet 5 主打智能体能力，Agent Arena 排第6，能自己规划并用工具完成任务。关心自主执行模型的可以看看它的实际表现。

原文

7月3日

08:00

lmarena.ai@lmarena_ai

精选

Arena.ai 收集了 Claude Fable 5 重新部署前后在 Text、Vision、Document、Code 和 Agent 五个 Arena 的数千投票，结果显示得分基本一致。Fable 5 在 Text、Document、Vision 和 Code Arena: Frontend 仍处前沿，Frontend 约 20 分下降在置信区间内。Agent Arena 中 Fable 5 曾排名第一，该评测基于数百万真实任务，使用因果追踪衡量模型表现。

AI模型 Fable 5 Anthropic Agent Arena 推理模型基准测试

推荐理由：Fable 5 重部署后各维度表现稳定，Agent 依旧最强，前端小幅波动属正常。想看前沿模型对比可以关注。

原文

7月2日

06:21

lmarena.ai@lmarena_ai

Evan在视频中讲解了Agent Arena平台的因果追踪方法论。该方法可分析模型决策背后的因果路径。视频面向对智能体评估和归因感兴趣的研究人员。

技巧 Agent Arena causal tracing 因果追溯

推荐理由：Evan手把手带你搞懂Agent Arena的因果追踪技巧，搞AI评测的别错过。

原文

05:59

lmarena.ai@lmarena_ai

72°

Fable 5模型重新加入Agent Arena基准测试，该模型首次亮相时曾排名第一。Agent Arena通过全球用户提交的数百万真实任务评估模型，支持网页搜索、文件系统和终端工具。基准使用因果追踪方法计算模型相对于平均模型的表现改善，而非原始胜率。Anthropic的最新模型也已在Text、Vision、Document和Code Arena: Frontend上线。

AI模型 Fable 5 Agent Arena Anthropic Claude 智能体

推荐理由：Anthropic的Fable 5又回Agent Arena了，上次拿过第一，这次看看它还能不能霸榜。还有新模型上了多个测试战场，快去试试。

原文

7月1日

04:54

lmarena.ai@lmarena_ai

Agent Arena 发布博客介绍因果追踪方法论，用于分析智能体在评测中的行为归因。该方法通过因果干预识别智能体决策的关键组件。博客详细阐述了如何将因果追踪应用于 Agent Arena 基准测试，帮助理解智能体表现差异的来源。

论文 Agent Arena 因果追踪智能体基准测试

推荐理由：想知道智能体在评测中为什么这么表现吗？Agent Arena 这篇博客用因果追踪拆解原因，比只看分数更深入。

原文

04:22

lmarena.ai@lmarena_ai

精选77°

Claude Sonnet 5 正式加入 Agent Arena，该平台衡量模型在数百万个来自全球用户的真实世界长周期智能体任务上的表现。模型可调用网络搜索、文件系统和终端工具完成复杂工作流。排行榜使用因果追踪方法，将模型性能相对平均水平进行量化。除 Agent Arena 外，Sonnet 5 还支持文本、视觉、文档和代码前端的 Arena 评测。

AI模型 Claude Sonnet 5 Agent Arena Anthropic 智能体多模态

推荐理由：Anthropic 发布了更智能的 Sonnet 5，能在 Agent Arena 里自主用浏览器和终端干活，比几个月前的大模型还强。

原文

6月30日

12:19

lmarena.ai@lmarena_ai

Arena 是一个从 UC Berkeley 研究项目起步的 AI 评估平台。推出评估产品仅8个月后，其年化收入运行率突破1亿美元。平台推出 Agent Arena，用于评估长期运行的智能体在复杂现实任务中的表现，包括工具使用、任务完成率和幻觉率。目前 Arena 拥有数千万用户。

AI产品 Arena Agent Arena UC Berkeley 智能体评估 AI评测

推荐理由：Arena 8个月做到1亿美元年收入，它的 Agent Arena 能测 AI 智能体在真实任务里的表现，比传统投票评测更硬核。

原文

6月27日

13:28

lmarena.ai@lmarena_ai

精选

Agent Arena通过代码编写、幻灯片制作等真实任务评估模型性能。Opus 4.8 Thinking每会话消耗较少token，质量提升+9.2%；Fable达到+14.1%的最高质量。GPT-5.5系列模型（+6.2%至+8.6%）以更少token超越前沿。Gemini-3.5 Flash消耗token最多但效果不佳，Grok Build 0.1消耗20K+ token却出现负提升。

AI模型 Agent Arena Opus Fable GPT-5.5 推理模型

推荐理由：想找token性价比高的模型？Agent Arena告诉你Opus和Fable有多能打，GPT-5.5也很省token。

原文

13:26

lmarena.ai@lmarena_ai

Agent Arena的因果追踪方法论博客已发布。该方法论用于分析智能体在Agent Arena中的因果链。读者可通过博客深入了解Agent Arena的评估设计。

论文 Agent Arena 因果追踪智能体

推荐理由：想搞懂Agent Arena怎么分析智能体因果链的？这篇博客讲得明明白白。

原文

12:53

lmarena.ai@lmarena_ai

AI模型 Agent Arena 智能体评测基准开源模型实验室

推荐理由：想看看谁家的智能体最强？Agent Arena排行榜刚上线，可以按开源模型和实验室筛选，挺方便。

原文

6月19日

04:02

lmarena.ai@lmarena_ai

82°

Agent Arena推出了因果追踪方法论，通过分析人类与AI代理协作的追踪数据来量化协作的真实价值，并能观测到广泛的模型行为。基于该方法的新排行榜显示，GLM-5.2 (Max)进入前十，成为最强开源模型，确认成功率比基线高+9.4%，表扬-抱怨比高+14.9%。Claude Fable 5在几乎所有指标上曾排名第一，但因美国政府指令暂停访问。排行榜基于数百万个真实世界长期代理任务，使用因果追踪评估模型相对于平均模型的表现。

AI模型 Agent Arena GLM-5.2 Claude Fable 5 Anthropic 智能体

推荐理由：想看看人机协作到底有没有用？Agent Arena拿数据说话，GLM-5.2开源最强，Claude Fable 5刚登顶就被叫停，这瓜值得吃。

原文

6月18日

05:05

lmarena.ai@lmarena_ai

76°

Agent Arena上线两周，新增10个模型。GLM-5.2 (Max)进入前十，以+9.4%确认成功率和+14.9%赞美vs抱怨率成为最强开源模型。Claude Fable 5在多项指标排名第一，但受美国政府指令暂停访问。评测基于超过30万任务、200万次工具调用和4000万行代码。

AI模型 Agent Arena GLM-5.2 Claude Fable 5 智能体 OpenAI

推荐理由：想看看最新智能体模型谁最强？Agent Arena更新了，GLM-5.2开源冲进前十，Claude Fable 5暂时下线，榜单有了新格局。

原文

04:01

lmarena.ai@lmarena_ai

Agent Arena 发布了一篇博客介绍其因果追踪方法论，该方法用于分析智能体在竞技场中的行为归因。博客详细解释了如何通过干预模型内部表示来定位影响输出的关键组件。该技术可帮助研究者理解Agent在复杂任务中的决策路径。

论文 Agent Arena 因果追踪智能体评估可解释性

推荐理由：想搞懂Agent决策是怎么归因的？Agent Arena这篇博客把因果追踪的方法讲得很清楚，适合做智能体评估的研究者。

原文

04:01

lmarena.ai@lmarena_ai

AI模型 Agent Arena 智能体开源模型实验室

推荐理由：想对比开源智能体的表现？Agent Arena新排行榜支持按模型或实验室筛选，一目了然。

原文

6月17日

03:46

lmarena.ai@lmarena_ai

76°

GLM-5.2 (Max) 在 Code Arena: Frontend 中排名第二，得分比 Claude Opus 4.7 (Thinking) 高 29 分，仅次于 Fable 5。在 Agent Arena 中排名第 10，是排名最高的开源模型，超越 Kimi-K2.6 和 Minimax-M3。在 Brand & Marketing、Reference-Based Design 等 6 个子类别中均排名第一。价格维持 $1.4/$4.4 per input/output MTokens，上下文窗口 1M。与 5.1 相比，排名从 #13 升至 #10，任务成功率和用户评价提升，但 steerability 下降 6%。

AI模型 GLM-5.2 Zai_org Code Arena Agent Arena 开源模型

推荐理由：GLM-5.2 在编程和智能体任务上超越 Claude Opus 4.7，是开源模型新标杆，编程能力仅次于 Fable 5。

原文

03:28

lmarena.ai@lmarena_ai

Agent Arena 是一个智能体性能排行榜，现已在 arena.ai/leaderboard/ag... 上线。用户可通过按开放模型或按实验室（lab）筛选来查看详细数据。该排行榜为不同智能体模型提供了直接的性能对比基准。

AI模型 Agent Arena 智能体排行榜基准测试开放模型

推荐理由：想比对比不同智能体模型？去Agent Arena排行榜，能按开放模型或实验室筛选，帮你找到合适的。

原文

03:01

lmarena.ai@lmarena_ai

精选72°

GLM-5.2 (Max) 在 Agent Arena 排行榜上排名第10，得分接近 Claude-Opus-4.8（非推理模式）。它成为排名最高的开源模型，较去年发布的 GLM-5.1 从第13位上升3位。该模型在数百万真实长程任务上评测，可调用网页搜索、文件系统和终端工具。GLM-5.2 (Max) 输入/输出定价保持为每百万 token 1.4/4.4 美元，支持1M上下文窗口，权重采用 MIT 许可开源。

AI模型 GLM-5.2 Zai_org Agent Arena 开源模型智能体

推荐理由：Zai_org 发了 GLM-5.2，在 Agent 任务榜单上排第10，碾压所有开源模型，而且价格没变。跑复杂工作流、调工具效果明显进步。

原文

01:59

lmarena.ai@lmarena_ai

Agent Arena 在其官方博客中介绍了用于智能体评估的因果追踪方法论。该方法可帮助研究人员分析智能体决策背后的因果链路。Agent Arena 平台本身支持多种智能体基准测试。

AI模型 Agent Arena 智能体评估基准因果追踪

推荐理由：Agent Arena 的因果追踪方法能帮你搞懂智能体为什么那么做，比单纯看分数更有用。

原文

01:31

lmarena.ai@lmarena_ai

精选

MiniMax M3 在全新 Agent Arena 排行榜上位列第18，是排名第5的开源模型。相比 M2.7，M3 从第22名升至第18名，主要改进是任务成功确认和 bash 错误恢复能力。工具幻觉保持低位，与最佳模型并列第一。排行榜基于30万+任务、200万+工具调用和4000万行代码的代理会话评估。

AI模型 MiniMax M3 Agent Arena 开源模型智能体

推荐理由：MiniMax M3 在 Agent Arena 上排名上升了4位，是最强开源模型之一，能写代码、做PPT、查资料，幻觉控制也顶级。

原文

6月13日

22:57

lmarena.ai@lmarena_ai

AI模型 GLM-5.2 Zai_org Agent Arena GPT-5.5 Claude-Opus-4.7 智能体

推荐理由：看看GLM-5.2在Agent Arena能排第几

原文

13:00

lmarena.ai@lmarena_ai

Peter Gostev在YouTube上分享了Anthropic的Claude Fable 5在Agent Arena中的初步体验。视频展示了该模型在复杂任务中的表现，包括多步骤推理和工具调用。Claude Fable 5在Agent Arena的基准测试中取得了显著成绩，超越了前代模型。

AI模型 Claude Fable 5 Anthropic Agent Arena 智能体推理模型

推荐理由：看看Claude Fable 5在Agent Arena的表现

原文

12:58

lmarena.ai@lmarena_ai

Claude Fable-5 在 Agent Arena 排行榜上展示了其技术细节，该模型在多个基准测试中表现突出。具体数据显示，Fable-5 在任务完成率上达到 92.3%，相比前代提升 15%。排行榜还提供了 Fable-5 与其他模型如 GPT-4o 和 Gemini 2.0 的对比结果。

AI模型 Claude Fable-5 Agent Arena 基准测试智能体

推荐理由：看 Fable-5 在 Agent Arena 上的具体数据

原文

11:05

lmarena.ai@lmarena_ai

精选

NVIDIA 的 Nemotron 3 Ultra 在 Agent Arena 排行榜上位列第20名，在开源模型中排第5。该模型在用户表扬与投诉的净差值和工具幻觉率方面表现突出，但在可操控性和 bash 恢复能力上存在短板。排行榜基于30万+任务、200万+工具调用和4000万行代码的评测数据。当前分数置信区间较宽，排名仍在稳定中。

AI模型 Nemotron 3 Ultra NVIDIA Agent Arena 开源模型智能体

推荐理由：NVIDIA 开源模型在智能体评测中排第5

原文

10:56

lmarena.ai@lmarena_ai

Agent Arena 团队发布博客，详细介绍了其用于评估智能体性能的因果追踪方法论。该方法通过分析模型内部因果链，量化不同组件对最终输出的贡献。博客中展示了在多个基准测试上的实验结果，并提供了开源代码供研究者复现。

论文 Agent Arena 因果追踪智能体评估方法

推荐理由：搞懂Agent评估新方法

原文

09:46

lmarena.ai@lmarena_ai

MiniMax M3 是一款开放权重的模型，现已加入 Agent Arena 平台。Agent Arena 通过真实用户会话评估模型在网页搜索、文件系统和终端工具上的表现，涵盖编写代码、创建幻灯片、研究网页、构建应用和分析文档等任务。排行榜基于 30 万+ 任务、200 万+ 工具调用和 4000 万行代码构建，当前排名第一的是 OpenAI 的 GPT-5.5 (High)，第二是 Anthropic 的 Claude-Opus-4.7 (Thinking)。MiniMax M3 的评分即将公布。

AI模型 MiniMax M3 Agent Arena GPT-5.5 Claude-Opus-4.7 智能体

推荐理由：看看 MiniMax M3 在 Agent 任务中能排第几

原文

6月12日

04:35

lmarena.ai@lmarena_ai

Agent Arena 发布了完整的智能体排行榜，涵盖多个 AI 模型的智能体能力评测。该排行榜通过自动化测试评估各模型在任务执行、工具调用等方面的表现，为开发者选择智能体模型提供参考。榜单数据公开可查，支持社区持续关注和对比。

AI产品智能体排行榜评测 Agent Arena 模型对比

推荐理由：做智能体开发的团队可以直接参考这份排行榜选型，省去自己评测的时间，建议点开看看各模型的具体表现。

原文

04:05

lmarena.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-5.5 Agent Arena 智能体评测 Claude Fable 5 OpenAI

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

05:37

lmarena.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 5 Agent 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

00:52

lmarena.ai@lmarena_ai

72°

Agent Arena 团队指出，传统依赖人类偏好的评测方式无法扩展至智能体场景，因为人类难以判断30分钟轨迹中的数百次工具调用。他们构建了基于真实使用轨迹的客观信号评测方法，包括Bash错误、工具幻觉和“疯狂信号”等指标。这种方法能更准确地评估智能体在复杂任务中的表现，避免人类主观判断的局限性。该评测方法已应用于Agent Arena排行榜，为开发者提供更可靠的模型性能参考。

AI模型智能体评测方法 Agent Arena 工具调用客观信号

推荐理由：智能体评测一直是个难题，Agent Arena 用真实轨迹信号替代人类偏好，做智能体开发的团队可以直接参考这套方法论来改进自己的评测体系。

原文

6月10日

12:51

lmarena.ai@lmarena_ai

Anthropic 的 Claude Fable 5 模型在 Agent Arena 中首次亮相，由 Peter Gostev 进行评测。该视频展示了模型在智能体任务中的表现，包括推理、工具调用和交互能力。Claude Fable 5 被认为在复杂任务处理上有所提升，为开发者提供了新的选择。

AI产品 Claude Fable 5 智能体评测 Anthropic Agent Arena

推荐理由：做智能体开发的团队可以看看 Claude Fable 5 在 Agent Arena 的实际表现，直接对比其他模型，值得点开视频一探究竟。

原文

08:43

lmarena.ai@lmarena_ai

Agent Arena 团队发布了关于其因果追踪方法论的博客文章，详细解释了如何通过因果分析评估智能体性能。该方法旨在揭示智能体行为背后的因果机制，帮助开发者理解模型决策过程。这一研究对于提升智能体系统的可解释性和可靠性具有重要意义，尤其是在复杂任务场景中。

论文智能体因果追踪方法论可解释性 Agent Arena

推荐理由：做智能体评估的开发者可以了解这套因果追踪方法，它解决了黑箱模型难以解释的问题，值得点开看看具体实现。

原文

08:33

lmarena.ai@lmarena_ai

精选76°

Anthropic 的 Claude Opus 4.8 在 Agent Arena 排行榜上首次亮相，在 Thinking 模式下与 GPT 5.5 (High) 并列第一，但在 Non-Thinking 模式下仅排第八。相比前代 Opus 4.7，Opus 4.8 在开启思考时任务完成率更高，但可操控性略差，从 bash 错误中恢复更慢，且工具幻觉率上升。Agent Arena 基于 30 万+任务、200 万+工具调用和 4000 万行代码，通过因果追踪方法评估模型在真实世界智能体任务中的表现。该排行榜衡量任务成功、可操控性、错误恢复、用户反馈和工具幻觉五个信号。

AI模型智能体模型评测 Claude Opus 4.8 GPT 5.5 Agent Arena

推荐理由：Agent Arena 用真实任务和因果推断评估智能体，比传统基准更贴近实际使用场景。做智能体开发或选型的团队，值得关注这个排行榜来对比模型的实际表现。

原文

03:37

lmarena.ai@lmarena_ai

83°

Anthropic 的 Claude Fable 5 模型已上线 Agent 模式，用户可在 Agent Arena 中测试其智能体能力。Agent Arena 是一个基于真实用户任务的智能体评估平台，通过数百万次实时会话衡量模型在代码编写、网页搜索、文件操作等复杂工作流中的表现。排行榜基于 30 万+任务、200 万+工具调用和 4000 万行代码构建，当前排名第一的是 OpenAI 的 GPT-5.5 (High)，Claude-Opus-4.7 (Thinking) 位列第二。评估信号包括任务成功率、可操控性、错误恢复、用户反馈和工具幻觉等。

AI产品智能体 Agent Arena Claude Fable 5 排行榜模型评估

推荐理由：想对比主流模型在真实任务中的智能体能力？Agent Arena 用 30 万+任务和 200 万+工具调用给出了量化排名，做 AI 应用选型的团队可以直接参考排行榜做决策。

原文

6月9日

05:03

lmarena.ai@lmarena_ai

精选

xAI 的 Grok Build 0.1 和 Grok 4.3 (High) 在最新的 Agent Arena 排行榜中分别位列第15和第17名。Grok Build 0.1 在 bash 能力上有明显提升，但可操控性稍差且更容易出现工具幻觉，不过整体任务完成率更高。Agent Arena 使用因果追踪方法对模型在真实世界智能体任务中的表现进行排名。该排行榜基于全球用户社区提交的真实任务，从5个信号维度评估模型表现。

AI模型智能体 Grok xAI Agent Arena 模型排名

推荐理由：xAI 的模型在 Agent Arena 中取得不错排名，做智能体开发和自动化任务的团队可以看看 Grok Build 0.1 在 bash 能力上的改进，值得关注其实际任务完成率提升。

原文

01:47

lmarena.ai@lmarena_ai

精选

AI产品智能体排行榜行为信号评估 Agent Arena

推荐理由：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。

原文

6月7日

01:13

lmarena.ai@lmarena_ai

Arena.ai 推出了 Agent Mode，允许用户使用前沿 AI 智能体完成深度研究、生成报告、创建图像、构建网站、调试代码等复杂任务。该模式通过集成网页搜索、沙箱环境中的 bash、图像生成、文件写入和追问等功能，让智能体更自主地处理真实工作。用户的使用数据将用于在 Agent Arena 排行榜上对模型进行排名。目前支持的模型包括 GPT-5.5、Claude Opus 4.7、Gemini 3.1 Pro 以及顶级开源模型。这一更新为 AI 智能体的能力评估提供了更贴近实际应用的基准。

AI产品 Agent Arena Agent Mode 智能体模型评测前沿模型

推荐理由：Agent Mode 让 AI 智能体从聊天走向真实工作，做自动化、开发或研究的团队可以直接上手测试前沿模型的实际表现，还能影响排行榜排名，值得一试。

原文