AITOP

Agent Arena

共 98 条相关 AI 资讯
8月21日
01:41
01:41lmarena.ai@lmarena_ai
精选
Meta 发布了 Muse Spark 1.2 (xHigh) 模型。该模型在 Agent Arena 基准测试中实现了 +2.1% 的净提升。相比前代 Muse Spark 1.1，其净提升分数从 0.9% 提升至 2.1%。在 Bash Recovery 任务上，性能从 +5.9% 提升到 +11.4%。
AI模型Muse SparkMetaAgent Arena
推荐理由：Meta 刚刚发布了 Muse Spark 1.2 (xHigh)，在 Agent Arena 上的净提升分数从 0.9% 提升到了 2.1%，Bash Recovery 任务直接翻倍，比前代强了不少。
原文
01:37
01:37lmarena.ai@lmarena_ai
Agent Arena 排行榜衡量模型在数百万个真实世界、长周期任务中的表现。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。该榜单通过因果追踪方法，衡量模型相对于平均模型的结果表现。
AI模型Agent Arenaarena.ai智能体
推荐理由：看看 arena.ai 上新出的 Agent Arena 排行榜，它用真实任务测试模型，还能用工具，比普通测试更实用。
原文
8月20日
07:36
07:36
07:36lmarena.ai@lmarena_ai
精选76°
DeepSeek - V4 - Pro (High) 以+6%净提升成为开放模型领域Agent Arena第2名；与DeepSeek - V4 - Flash (High) 相比，其性能更高且任务成本更低；在代码和工作类别排名第2，聊天类第5，多项指标表现突出。
generalDeepSeek - V4 - Pro (High)Agent ArenaDeepSeek - V4 - Flash (High)
推荐理由：DeepSeek发布的V4 - Pro (High)，比前代版本强，成本还低，在开放模型里排第二，可以去试试。
原文
03:31
03:31lmarena.ai@lmarena_ai
Agent Arena对比了15款模型任务成本，Kimi K3 (Max)每任务成本仅$0.62；Claude Opus 5 (Max)成本达$3.37，与同类存在明显差距；Kimi K3 (Max)排名第4，成本远低于多数同级别模型；Grok和Qwen以较低成本实现了不错表现。
AI模型Agent ArenaKimi K3Claude Opus 5
事件专题
推荐理由：Agent Arena发布了各模型任务成本对比，能清楚看到不同模型花多少钱和效果，和同类比啥不一样。
原文
8月19日
01:49
8月18日
07:17
07:17lmarena.ai@lmarena_ai
精选71°
Agent Arena 新增代码、工作、聊天三个分类榜单。代码榜第一是 OpenAI 的 GPT 5.6 Sol（xHigh）。工作榜和聊天榜第一均为 Anthropic 的 Claude Opus 5（High 和 Max）。该评测基于数百万真实长时程智能体任务，单次长会话成本可达数百至一千美元。
AI模型Agent ArenaGPT 5.6Claude Opus 5
事件专题
推荐理由：想知道代码、工作、聊天分别谁最强？Agent Arena 新榜单给出答案：GPT 5.6 和 Claude Opus 5 各领风骚。
原文
8月15日
03:45
8月14日
02:47
02:24
8月13日
17:56
8月12日
10:01
09:46
8月8日
04:00
03:59
8月6日
07:05
8月5日
09:41
09:38
8月4日
23:41
23:39
02:26
8月1日
00:35
7月31日
06:11
7月30日
02:32
01:00
00:15
00:15lmarena.ai@lmarena_ai
82°
Anthropic 的 Claude Opus 5 (Max) 在 Agent Arena 中排名第二，基于超过 7000 次真实代理会话，净提升 11.88%。Opus 5 (High) 紧随其后排名第三，净提升 11.73%，两者均低于第一名 Fable 5，但高于 GPT-5.6 Sol (xHigh)。在 Frontend Code Arena 中，Opus 5 Max 排名第一，Opus 5 High 排名第三（落后于 Kimi K3）。在 Text Arena（事实性开启）中，Opus 5 Max 位列第一，Opus 5 High 第二。这些成绩基于全球社区的百万级真实长周期任务评测。
AI模型Claude Opus 5Agent ArenaAnthropic
事件专题
推荐理由：Claude Opus 5 在 Agent Arena 和代码榜都冲进前三，Max 版更是双榜第一，比 GPT-5.6 还靠前，很强悍。
原文
7月29日
02:00
7月28日
06:11
06:11lmarena.ai@lmarena_ai
精选
GPT-5.6 的 Sol、Terra、Luna 三个变体在 Agent Arena 中以 xHigh 设置进行测试。Sol 以 +10.1% 的净改进位列排行榜第二。Terra (+4.0%) 和 Luna (+3.3%) 也取得正向提升，与 Claude Opus 4.8 (+3.5%) 的水平相当。
AI模型GPT-5.6Agent ArenaSol
推荐理由：GPT-5.6 的 Sol 版在 Agent Arena 上表现亮眼，比 Terra 和 Luna 都强，直接对标 Claude Opus 4.8。想了解新模型实力的话可以看看。
原文
06:06
06:06lmarena.ai@lmarena_ai
精选
GPT-5.6 Terra和Luna（xHigh变体）加入Agent Arena，基于全球社区的真实智能体会话排名第15和第17。在推理努力从低到高时所有变体均有提升，但低推理时Terra持平，Luna下降5.1%。效率前沿显示Luna xHigh（+3.3%）略优于Terra Medium（+3.1%）和Low（+1.2%），更便宜的模型通过更多推理努力可超越昂贵模型。同时GPT-5.6 Sol排名第2，基于7.8K会话，对比GPT-5.5 xHigh净提升1.6%，差距缩小，与Claude Fable 5的“表扬vs抱怨”信号得分分别为+10.9%和+17.3%。
AI模型GPT-5.6OpenAIAgent Arena
事件专题
推荐理由：OpenAI的GPT-5.6新变体在真实任务基准中表现具体，小模型靠更多推理能超越大模型，值得关注沙箱数据。
原文
02:54
02:52
02:51
02:51lmarena.ai@lmarena_ai
Arena.ai 发布最新榜单，Kimi K3 (Max) 在 Frontend Code Arena 中以 1682 分排名开放权重第一，同时超越所有闭源模型成为整体第一。它在 Agent Arena 中取得 +9.75% 的净提升，领先 GLM-5.2 (Max) 的 +7.12%，并夺得开放权重组冠军。该模型在 7 个领域中的 5 个获得整体第一，仅在游戏和内容创作工具领域排名第二。Agent Arena 通过数百万真实长程智能体任务评估模型，涉及网页搜索、文件系统和终端工具。
AI模型Kimi K3Frontend Code ArenaAgent Arena
事件专题
推荐理由：Kimi K3 (Max) 在代码和智能体测试中双料夺冠，连 GLM-5.2 都比它低一截，开发者和研究者可以关注这个新标杆。
原文
02:50
7月25日
02:16
7月22日
18:13
06:43
06:43lmarena.ai@lmarena_ai
Chatbot Arena 推出了 Agent Arena 和 Frontend Code Arena 两个新排行榜。Agent Arena 评估 AI 智能体在真实世界任务中的表现，Frontend Code Arena 专门评测模型的前端代码生成能力。排行榜数据来自用户对战投票，结果实时更新在 arena.ai 上。
AI模型Agent ArenaFrontend Code Arena智能体
推荐理由：想看看哪个 AI 智能体干活最靠谱、哪个写前端代码最好？这两个新排行榜给你真实用户投票结果，直接去 arena.ai 查。
原文
06:43
06:43lmarena.ai@lmarena_ai
77°
腾讯的Hy3模型在Agent Arena中排名开源模型第5（总体第25），在Frontend Code Arena中排名开源模型第2（总体第16）。模型在工具使用方面表现突出，从CLI/bash错误恢复能力使净得分+2.6%（排名第25），但在可调节性方面较弱，用户反驳时纠正困难，得分为-7.1%（排名第30）。Hy3为295B参数的MoE架构，采用Apache 2.0许可，适合商业使用，并提供两周免费API。Agent Arena基于数百万真实世界长期智能体任务评估模型，使用因果追踪方法衡量净改进。
AI模型Hy3TencentAgent Arena
推荐理由：腾讯Hy3在智能体基准里表现不错，工具使用能力很强，而且开源可商用，还免费试用两周，值得试试。
原文
7月21日
04:23
03:55
03:55lmarena.ai@lmarena_ai
精选
Inkling在Agent Arena开源模型中排名第9，总分第30，是美国唯一进入前10的开源模型。它在CLI错误恢复方面表现突出（+6.4%，第16），但用户情感分仅-18.0%（第38），可操控性第35，任务完成第29。此外，Inkling在Frontend Code Arena开源模型中排名第10，总分第37，品牌营销领域第4、数据与分析第7。若Kimi K3按计划于7月27日发布权重，将成为排名第一的开源模型，使其他模型顺延一位。
AI模型InklingAgent Arenathinkymachines
事件专题
推荐理由：Inkling是当前美国最强的开源模型，在Agent Arena排第9，擅长处理复杂工作流和CLI错误恢复，但用户反馈一般，你可以试试看它是否适合你。
原文
03:54