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。
当前结论
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。
证据链
11 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。