Agent Arena 相关 AI 资讯

7月21日

01:43

lmarena.ai@lmarena_ai

Agent Arena团队发布一篇博客，详细说明了其评估平台中使用的因果追踪方法论。该方法论旨在分析智能体在竞技场中的行为决策原因，提升可解释性。博客提供了技术实现与案例应用的具体说明。

论文 Agent Arena 因果追踪方法论

推荐理由：Agent Arena团队发了新博客，讲因果追踪如何帮你搞懂智能体行为，适合做Agent评估和可解释性研究的同学。

原文

01:32

lmarena.ai@lmarena_ai

精选73°

Kimi K3 在 Agent Arena 排行榜上位列第4，与 Claude Opus 4.8 和 GPT-5.6 Sol 持平。若按计划于7月27日开源权重，将成为开源模型中排名第1。相比 Kimi K2.7 Code（第23名），K3 跃升至第4名，基于8000+实时智能体会话，确认任务成功率排名第1，好评相比投诉提升20.6%（第3名）。在 Frontend Code Arena 中，K3 以1679分超越 Claude Fable 5，从第18名跃升至第1名，并在7个领域中的6个取得第一。

AI模型 Kimi K3 Agent Arena Frontend Code Arena

事件专题

推荐理由：Kimi K3 智能体能力追上 Claude 和 GPT，还计划开源，前端编码直接登顶，值得关注这个国产模型的新进展。

原文

01:31

lmarena.ai@lmarena_ai

AI模型 Agent Arena 智能体排行榜

推荐理由：Arena官方公开了Agent排行榜，直接看各智能体的表现对比，一目了然。

原文

7月17日

02:43

lmarena.ai@lmarena_ai

精选

Kimi K3 由 Moonshot AI 推出，已在 Agent Arena 上线。Agent Arena 使用数百万真实世界的长期任务评估模型性能，模型可调用网页搜索、文件系统和终端工具。Kimi K3 还支持 Text、Vision、Document 和 Frontend Code 等竞技场，用户投票将驱动排行榜更新。其评估采用因果追溯方法，衡量模型在复杂工作流中的成果表现。

AI模型 Kimi K3 Moonshot Agent Arena

事件专题

推荐理由：Kimi K3 来了，在 Agent Arena 上测真实长期任务，还能调工具，快去看它和别的模型比咋样。

原文

7月16日

04:27

lmarena.ai@lmarena_ai

精选

Thinking Machines 发布 Inkling，支持文本、图像和音频三种模态。Inkling 已加入 Agent Arena，该基准使用数百万全球用户的长时任务评估智能体，任务涉及网络搜索、文件系统和终端操作。Inkling 也参与文本、视觉和代码竞技场。Inkling 完整权重开放，可在 Tinker 平台进行微调。

AI模型 Inkling Thinking Machines Agent Arena

事件专题

推荐理由：Thinking Machines 出了个新模型 Inkling，能同时处理文字、图片和音频，还在 Agent Arena 上测了长期任务能力。现在能免费下载权重自己微调，可以试试。

原文

7月15日

05:53

lmarena.ai@lmarena_ai

AI模型 Agent Arena 智能体基准测试

推荐理由：想看看哪个模型最擅长完成真实世界的复杂任务？Agent Arena用百万任务和因果追踪方法给出了答案，比普通基准更贴近实际。

原文

05:51

lmarena.ai@lmarena_ai

精选72°

Meta 推出了 Muse Spark 1.1，这是其早期模型 Muse Spark 的升级版。该模型在 Agent Arena 排行榜上位列所有实验室第五、模型排行榜第十七。Meta 同时开放了 Meta Model API 公开预览，开发者可通过该 API 访问 Muse Spark 1.1。模型已在 Meta AI app 及 meta.ai 的 "思考" 模式下可用。

AI模型 Muse Spark 1.1 Meta Agent Arena

推荐理由：Meta 终于入局智能体赛场，Muse Spark 1.1 一上榜就拿第五，还开放了 API 和思考模式，想试试新模型可以冲。

原文

7月14日

06:35

宝玉@dotey

73°

Agent Arena 基于 7.8K 真实世界的 agent 会话评测，GPT-5.6 Sol 位居第2，相比 GPT-5.5 (xHigh) 净提升 +1.6%，缩小了与领先的 Claude Fable 5 的差距。关键信号“Praise vs Complaint”显示 Claude Fable 5 得分为 +17.3%，高于 GPT-5.6 Sol 的 +10.9%。该排行榜由 Arena.ai 维护，通过数百万个长期 agent 任务测量模型表现，并采用因果追踪方法计算相对于平均模型的结果。

AI模型 GPT-5.6 Sol Claude Fable 5 OpenAI

事件专题

推荐理由：OpenAI 的 GPT-5.6 Sol 在 Agent Arena 上冲到第2，离 Claude Fable 5 更近了。看看具体指标差异，特别是用户满意度的信号。

原文

02:33

lmarena.ai@lmarena_ai

精选

SpaceXAI 发布 Grok-4.5，它是专为编程和智能体训练的首个模型。在 Agent Arena 排行榜上，Grok-4.5 从 Grok 4.3 的第29名升至第13名，基于9.8K个实时智能体会话评估。它在 Bash Recovery 任务上大幅提升，接近 Anthropic 和 OpenAI 模型，确认任务成功率显著提高。

AI模型 Grok-4.5 SpaceXAI Agent Arena

事件专题

推荐理由：Grok-4.5 是 SpaceXAI 的首个编程+智能体专用模型，在 Agent Arena 上从29名跳到13名，Bash Recovery 追平了Claude和GPT，实测任务成功率很高。

原文

02:30

lmarena.ai@lmarena_ai

Grok-4.5在Agent Arena基准测试中总体排名第13，较此前提升5.0%。其幻觉指标排名第4，提升1.3%；确认任务成功排名第6，提升6.9%。Bash恢复排名第9，提升9.7%；表扬与投诉比例排名第12，提升6.1%。可操控性排名第15，提升0.9%。

AI模型 Grok-4.5 Agent Arena 智能体

推荐理由：xAI的Grok-4.5在Agent Arena进步明显，幻觉控制做到第4，任务成功提升近7%，适合关注智能体性能的朋友。

原文

02:27

lmarena.ai@lmarena_ai

Agent Arena是一个评估模型在真实世界、长期智能体任务上的排行榜。该排行榜基于全球用户贡献的百万级任务数据。模型需使用网络搜索、文件系统和终端工具完成复杂工作流。性能评估采用因果追踪方法，测量各模型相对于平均模型的表现。

AI模型 Agent Arena 智能体模型评估

推荐理由：Agent Arena用百万真实任务测模型自主能力，看看谁在复杂工作流里最靠谱。

原文

01:40

lmarena.ai@lmarena_ai

GPT-5.6 Sol在Agent Arena评测中综合排名第二，整体得分提升10.9%。在可操纵性（Steerability）指标上以+17.3%位列第一。确认任务成功（Confirmed Task Success）和工具幻觉（Tool Hallucination）指标均排名第二，分别提升10.9%和1.3%。赞美与抱怨比（Praise vs. Complaint）排名第三（+17.6%），Bash恢复（Bash Recovery）排名第14（+7.5%）。

AI模型 GPT-5.6 Agent Arena 智能体

推荐理由：GPT-5.6 Sol在Agent Arena里表现挺猛，可操纵性直接第一，整体第二，具体各项指标排名都有数据，值得看看。

原文

01:38

lmarena.ai@lmarena_ai

78°

GPT-5.6 Sol在Agent Arena排行榜上以7800次真实世界智能体会话位列第二。相比GPT-5.5 (xHigh)净提升1.6%。与榜首Claude Fable 5的差距主要来自“表扬 vs 投诉”信号，后者得分+17.3%，GPT-5.6 Sol为+10.9%。Agent Arena基于数百万真实世界长周期任务，使用因果追踪方法评估。GPT-5.6系列（Sol, Terra, Luna）已开始在ChatGPT、Codex和API中推出。

AI模型 GPT-5.6 OpenAI Agent Arena

事件专题

推荐理由：OpenAI的GPT-5.6 Sol在Agent Arena上冲到第二，比前代进步明显，和Claude Fable 5差距缩小了，想看看真实任务中模型表现的话值得关注。

原文

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。

AI模型 GPT-5.6 Sol Terra

事件专题

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

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

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

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

事件专题

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

事件专题

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

事件专题

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

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

事件专题

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

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

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

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

事件专题

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

事件专题

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

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

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

事件专题

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

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

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

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

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

事件专题

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

事件专题

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

事件专题

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

事件专题

推荐理由：NVIDIA 开源模型在智能体评测中排第5

原文