Agent Arena 相关 AI 资讯 · AITOP

9月3日

07:03

lmarena.ai@lmarena_ai

Agent Arena 发布了新的 Pareto frontier 排行榜。该排行榜展示了不同 AI 智能体在多个性能指标上的平衡表现。用户可以在 arena.ai/leaderboard/ag 查看详细数据。目前已有 517 次查看。

推荐理由：Agent Arena 上线了新的 Pareto frontier 排行榜，帮你直观对比不同 AI 智能体的综合表现。

原文

06:42

lmarena.ai@lmarena_ai

78°

GoogleDeepMind 发布的 Gemini 3.8 Flash (High) 在 Agent Arena 中排名第 14 位，净提升 +5.94%，任务成本为 0.22 美元。该模型在 Text Arena 中排名第 7 位，得分 1494 分，超越 Claude Opus 5 (High)。相比 Gemini 3.7 Flash (High)，在多个类别中排名显著提升，如写作类别从第 7 名升至第 3 名。

AI模型 Gemini 3.8 Flash GoogleDeepMind Agent Arena

事件专题

推荐理由：GoogleDeepMind 新发布的 Gemini 3.8 Flash (High) 在多个竞技场表现优异，成本比同类模型低 44-50%。

原文

05:57

lmarena.ai@lmarena_ai

73°

Muse Spark 1.3由Meta开发，现已加入Agent Arena评测平台。该模型在数百万真实世界长周期智能体任务中进行测试，可使用网络搜索、文件系统和终端工具完成复杂工作流。与Muse Spark 1.2相比，新版本工具调用减少约20%，token使用减少约25%。

AI模型 Muse Spark Meta Agent Arena

推荐理由：Meta的Muse Spark 1.3上线Arena，能更好协作并减少幻觉，比前代更实用。

原文

03:37

lmarena.ai@lmarena_ai

73°

Gemini 3.8 Flash (High)在Agent Arena评测中较Gemini 3.7 Flash (High)提升5.94%，排名从第32位上升至第14位。该模型在"赞扬vs投诉"指标上提升14.78%，在"确认成功率"上提升11.12%，在"Bash恢复"能力上提升4.46%。Agent Arena评测使用网络、文件系统和终端工具衡量模型在真实世界长期任务中的表现。

AI模型 Gemini Gemini 3.8 Flash GoogleDeepMind

事件专题

推荐理由：GoogleDeepMind的Gemini 3.8 Flash在智能体评测中排名大幅提升，用户反馈明显更积极。

原文

00:33

lmarena.ai@lmarena_ai

78°

Gemini 3.8 Flash (High)在Agent Arena排名第14，较3.7版本提升5.94个百分点。在Text Arena中位列第7，超越Claude Opus 5 (High)的1492分。该模型在写作、多轮对话和长查询等类别中排名显著提升。

AI模型 Gemini 3.8 Flash GoogleDeepMind Claude Opus 5

事件专题

推荐理由：GoogleDeepMind发布Gemini 3.8 Flash (High)，在多个基准测试中超越前代版本和Claude Opus 5。

原文

9月1日

08:15

lmarena.ai@lmarena_ai

AI产品 Agent Arena 智能体排行榜

推荐理由：Agent Arena 发布了智能体排行榜，能直观对比各 AI 智能体性能，比传统评测更直观。

原文

08:14

lmarena.ai@lmarena_ai

73°

Qwen3.8-Flash-Next由阿里巴巴发布，在Agent Arena中排名第7，在8.7K+真实智能体会话中实现+2.4%的净提升。该模型在任务完成确认成功指标上表现突出，达到+12.3%，在开放模型中排名第5。相比Qwen3.8-27B，Qwen3.8-Flash-Next在净提升和确认成功指标上均有显著优势。

AI模型 Qwen3.8-Flash-Next Alibaba_Qwen Agent Arena

推荐理由：阿里Qwen3.8-Flash-Next在Agent Arena排名第7，比前代模型提升2.4%，任务完成率高达12.3%。

原文

00:10

lmarena.ai@lmarena_ai

73°

智谱AI发布的GLM-5.3-Flash模型已在Agent Arena上线。该模型每任务中位成本为0.12美元，净提升4.6%。在9K+真实智能体会话中，GLM-5.3-Flash在开源模型中排名第4，总体排名第19，领先GLM-5.3 (Max)一位。在确认成功率指标上，GLM-5.3-Flash提升15.3%，排名第4。

AI模型 GLM-5.3-Flash Zai_org Agent Arena

事件专题

推荐理由：智谱AI的GLM-5.3-Flash在Agent Arena表现亮眼，成本仅0.12美元/任务，超越自家前代模型。

原文

00:10

lmarena.ai@lmarena_ai

精选

Agent Arena使用因果追踪技术测量模型在真实世界长时程智能体任务上的表现。该评测显示模型相对于平均模型的改进程度。完整的Agent Arena排行榜已在arena.ai/leaderboard/ag上线。

AI模型 Agent Arena 因果追踪智能体

推荐理由：Agent Arena上线新评测，用因果追踪测智能体在真实任务表现，看模型如何超越平均水平。

原文

8月28日

22:12

lmarena.ai@lmarena_ai

Grok-4.6在Agent Arena排行榜中位列第15名，实现了6.1%的净提升。该模型在确认成功指标上表现突出，提升了13.2%。在工具幻觉方面表现稳定，仅提升1.0%。 bash恢复能力提升了8.8%，可操控性提升4.9%。

AI模型 Grok-4.6 Agent Arena 智能体

推荐理由：Grok-4.6在Agent Arena排名上升，确认成功指标提升13.2%，bash恢复能力显著增强。

原文

22:11

lmarena.ai@lmarena_ai

精选

Agent Arena使用因果追踪技术评估模型在现实世界长期任务上的表现。该基准测试显示模型相对于平均模型的净改进程度。用户可访问arena.ai/leaderboard查看整体排行榜，并按代码、聊天和工作类别进行筛选。

AI模型 Agent Arena 因果追踪基准测试

推荐理由：Agent Arena上线新基准，用因果追踪测模型在长期任务中的真实表现，还能按类别筛选对比。

原文

22:00

lmarena.ai@lmarena_ai

73°

Grok-4.6(xHigh)在Agent Arena代码类别中排名第12，净提升7.7%，基于4500+真实智能体代码会话。在确认成功率方面排名第6，提升15%。整体确认成功率提升13.2%，排名第6。与Grok-4.5相比有显著提升，中位任务成本为1.12美元。

AI模型 Grok-4.6 SpaceXAI Agent Arena

推荐理由：SpaceXAI的Grok-4.6在代码任务上表现亮眼，确认成功率提升15%，成本与Claude Opus 4.6相当。

原文

8月27日

01:53

lmarena.ai@lmarena_ai

78°

Agent Arena在数百万真实世界、长期目标型任务上对模型进行评估，Claude Opus 5在代码任务中排名第一。GitHub集成提升编码能力，支持深度仓库集成，让用户在浏览器中完成编码任务。

AI模型 Agent Arena Claude Opus 5 模型评估

推荐理由：Agent Arena更新了模型评估功能，Claude Opus 5在代码任务中表现出色，GitHub集成让编码更便捷。

原文

8月25日

05:06

lmarena.ai@lmarena_ai

精选

Discover the Pareto frontier for all Agent Arena categories at arena.ai/leaderboard/ag… with 1 comment, 0 reposts, 2 likes, and 1295 views.

技巧 Agent Arena Pareto frontier performance comparison

推荐理由：Check out the Pareto frontier for Agent Arena to see performance across different categories. It's a great way to compare agents!

原文

8月21日

01:41

lmarena.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 Spark Meta Agent 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

lmarena.ai@lmarena_ai

AI模型 Agent Arena arena.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

lmarena.ai@lmarena_ai

精选

Agent Arena推出新模型评测标准，基于百万级真实世界长期任务；利用因果追踪方法测试模型在网页搜索等工具的复杂流程；通过与平均模型对比评估任务效果。

AI模型 Agent Arena 模型评测工具测试

推荐理由：Agent Arena发布了新模型评测标准，用多种工具测模型实际能力，比普通评测更全面。

原文

07:36

lmarena.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。

general DeepSeek - V4 - Pro (High)Agent Arena DeepSeek - 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

lmarena.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 Arena Kimi K3 Claude 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

lmarena.ai@lmarena_ai

Agent Arena 推出了新的分类功能。用户可以通过 arena.ai/leaderboard/ag… 网址在线尝试这些新分类。该推文发布后获得了889次浏览。

AI产品 Agent Arena 智能体多模态

推荐理由：Agent Arena 上线了新分类，你可以去 arena.ai/leaderboard 看看，体验一下新功能。

原文

8月18日

07:17

lmarena.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 Arena GPT 5.6 Claude 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

lmarena.ai@lmarena_ai

智谱（Z.ai）推出GLM-5.3，基于743B基础模型进行后训练，主打编码和智能体能力。该模型已上线Agent Arena，接受基于数百万真实长程任务的评测，可调用网页搜索、文件系统和终端工具。官方称其在网络安全上取得重大提升，成为开源模型新标准。

AI模型 GLM-5.3 Z.ai Agent Arena

事件专题

推荐理由：GLM-5.3已进Agent Arena，743B大模型主打编码和网络安全，可以拿你的难题去投票测一测。

原文

8月14日

02:47

lmarena.ai@lmarena_ai

精选

AI模型 Agent Arena 智能体评测基准

推荐理由：想看AI智能体谁强谁弱？Agent Arena完整榜单出来了，去arena.ai/leaderboard就能看。

原文

02:24

lmarena.ai@lmarena_ai

72°

Google DeepMind的Gemini 3.7 Flash (High)在Agent Arena取得+3.4%净提升。整体排名第20，高于Gemini 3.6 Flash (High)的第35名。长程智能体任务表现与Claude Sonnet 4.6和GPT-5.6 Terra (xHigh)处于同一区间。其Confirmed Success信号得分提升10%，位列第5。官方称该模型在编码、知识工作和网页开发方面更强。

AI模型 Gemini 3.7 Flash Google DeepMind Agent Arena

推荐理由：谷歌新出的Gemini 3.7 Flash在智能体评测里冲到第20，比上代强一截，编码和网页开发更好用了，感兴趣的可以试试。

原文

8月13日

17:56

17:56IT之家（博客/媒体）

韩国 Upstage 发布商用大模型 Solar Pro 4，上下文窗口 512K，输出长度 128K token。定价方面，输入每百万 tokens 0.3 美元，缓存读取 0.06 美元，输出 1.2 美元。该模型在 Terminal-Bench v2.1 得分 57，τ³-Banking 得分 23，AA-LCR 得分 71。在 Agent Arena 榜单排名第 44，与 MiniMax M2.7 同级，也是首个登上该榜单的韩国实验室模型。

AI模型 Solar Pro 4 Upstage Agent Arena

推荐理由：Upstage 发了主打智能体任务的 Solar Pro 4，定价不高，Agent Arena 排名和 MiniMax M2.7 同级，适合处理长文档和多轮工具调用。

原文

8月12日

10:01

lmarena.ai@lmarena_ai

精选

Upstage 发布 Solar Pro 4，成为首个登上 Agent Arena、Code Arena: WebDev 和 Text Arena 榜单的韩国实验室模型。Solar Pro 4 在 Agent Arena 排名第 44，与 MiniMax M2.7 和 Nemotron 3 Ultra 并列，整体净改进得分为 -12.10%。该模型在 GDPval-AA 得分为 39，τ³-Banking 为 23，Terminal-Bench 2.1 为 57，定价为每百万 tokens 0.30 美元（输入）和 1.20 美元（输出），缓存价格 0.06 美元，优惠 90% 至 9 月 10 日。

AI模型 Solar Pro 4 Upstage Agent Arena

推荐理由：Upstage 的 Solar Pro 4 是首个登上多个 Arena 榜单的韩国模型，适合做生产级智能体，价格便宜，值得试试。

原文

09:46

lmarena.ai@lmarena_ai

精选

Agent Arena发布新评测基准，在数百万个真实世界长程智能体任务上衡量模型表现。评测中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，包括编写代码、制作幻灯片、网络研究、构建应用和文档分析。该基准采用因果追踪方法，可深入分析模型在长程任务中的决策过程。评测结果已上线arena.ai/leaderboard/ag榜单。

AI模型 Agent Arena 智能体评测基准

推荐理由：想测智能体真实干活能力？Agent Arena用百万真实任务打分，比普通聊天评测靠谱多了。

原文

8月8日

04:00

lmarena.ai@lmarena_ai

Agent Arena 发布了因果追踪方法论的解读文章。因果追踪能定位智能体决策时的关键内部状态。Agent Arena 的这套方法旨在解释智能体为何在竞技场中做出某类选择。

论文 Agent Arena causal tracing 智能体

推荐理由：Agent Arena 把怎么用因果追踪看清智能体行为的方法讲透了，做智能体评估或研究模型机制的人可以看看。

原文

03:59

lmarena.ai@lmarena_ai

Agent Arena追踪模型完成真实任务所需的token数量。Opus系列从4.7到5，性能持续提升，但token消耗从约8.5k增至约21k，含推理和输出token。相反，GPT-5.5到GPT-5.6-Sol的token用量从约10k降至约8k，同时净改进提升约1.5pp。两组模型在效率与性能上呈现相反趋势。

AI模型 Agent Arena Opus 5 GPT-5.6-Sol

事件专题

推荐理由：看Opus 5和GPT-5.6-Sol在同一基准上的表现，一个越强越费token，一个越强越省，挺有意思的对比。

原文

8月6日

07:05

lmarena.ai@lmarena_ai

Meta 的 Muse Spark 1.2 模型正式进入 Agent Arena，参与数百万个真实世界长程代理任务的评测。该模型可调用网页搜索、文件系统和终端工具来完成复杂工作流。除 Agent Arena 外，Muse Spark 1.2 还出现在 Text、Vision 和 Code Arena: Frontend 中。同期发布的 Muse Code（beta）是面向长程软件工程的终端编码代理，能基于 Muse Spark 1.2 规划并验证跨多文件的代码修改。

AI模型 Muse Spark Muse Code Meta

事件专题

推荐理由：Meta 把 Muse Spark 1.2 放进 Agent Arena 让大家拿难题测它，还出了个终端编码代理 Muse Code，能干多文件改代码的活，可以去试试。

原文

8月5日

09:41

lmarena.ai@lmarena_ai

AI产品 Agent Arena 智能体排行榜

推荐理由：想选个好用的智能体？去 Agent Arena 排行榜看看，直接比分数挑，省得自己挨个试。

原文

09:38

lmarena.ai@lmarena_ai

精选

DeepSeek-V4-Flash-20260731 (High)在Agent Arena中排名第21，净改进+1.98%，在开源模型中位列第3，基于12.5K次真实智能体会话。该模型每次任务的中位成本为0.024美元，低于GPT-5.6 Luna (xHigh)的0.026美元，但高于DeepSeek-V4-Pro (Thinking)的0.020美元。在各项信号中，Confirmed Success得分+6.99%，而Steerability为-2.31%。其排名比DeepSeek-V4-Pro高6位，比之前的DeepSeek-V4-Flash高13位。

AI模型 DeepSeek-V4-Flash Agent Arena GPT-5.6 Luna

事件专题

推荐理由：DeepSeek新模型V4-Flash跑Agent任务每单只要0.024美元，比GPT-5.6 Luna还便宜，性价比很能打。

原文

8月4日

23:41

lmarena.ai@lmarena_ai

74°

Agent Arena 使用数百万个真实世界长程智能体任务评测模型。模型获得网页搜索、文件系统和终端工具，完成写代码、制作幻灯片、网络研究、构建应用和分析文档等工作流。评测采用因果追踪方法衡量模型的净改进，即相对平均模型提升结果的程度。完整排行榜见 arena.ai/leaderboard/ag…。

AI模型 Agent Arena 智能体模型评测

推荐理由：想知道哪个模型最能搞定真实长任务？Agent Arena 用几百万个任务跑分，还给模型上网、文件、终端工具，比谁净提升大。

原文

23:39

lmarena.ai@lmarena_ai

精选

DeepSeek 发布 DeepSeek-V4-Flash-20260731（High）版本，在 Agent Arena 综合排名第 21，净提升 +1.98%，开源模型中位列第 3。该成绩基于 12.5K 次真实智能体会话评估，比 DeepSeek-V4-Pro 高 6 位（-0.47%），比上一代 V4-Flash 高 13 位（-2.81%）。分项信号中 Confirmed Success 达到 +6.99%，而 Steerability 为 -2.31%。官方 API 同步开放公开测试，原生支持 Responses API 格式，并已适配 Codex。

AI模型 DeepSeek-V4-Flash Agent Arena 智能体

事件专题

推荐理由：DeepSeek 新模型在 Agent Arena 排开源第三，API 上线且支持 Codex，做智能体可以试试。

原文

02:26

lmarena.ai@lmarena_ai

精选

斯坦福博士生与Arena研究员@carrieeeeet提出一套框架，在历史任务上校准合成数据，避免依赖当前任务的真实标签。该方法覆盖社会科学调查、AI评估和Agent Arena排行榜早期信号，处理源于模型、时间和环境变化的系统偏差。核心通过任务可交换性（Task Exchangeability）从相邻任务学习，World Cup案例用于解释原理。案例还包括Bradley-Terry/AutoRater评分和Agent Leaderboard上的可操控性分数。

论文 Agent Arena 合成数据校准

推荐理由：斯坦福Carrie的新框架，用历史任务校准合成数据，不需要真实标签，Agent Arena也在用，能解决模型和时间带来的偏差。

原文

8月1日

00:35

lmarena.ai@lmarena_ai

81°

DeepSeek-V4-Flash 已进入 Agent Arena，将在数百万个真实长程智能体任务中接受评测，任务可调用网页搜索、文件系统和终端工具。官方同步开放 V4-Flash API 公测，称其智能体能力大幅升级，基准得分已明显超过 V4-Pro-Preview。新版 API 原生支持 Responses API 格式，并已适配 Codex。该模型还将在 Frontend Code Arena、Text 和 Vision Arena 中评测，具体分数待公布。

AI模型 DeepSeek-V4-Flash DeepSeek 智能体

事件专题

推荐理由：DeepSeek 把 V4-Flash 放进 Agent Arena，API 公测也开了，智能体跑分超过 V4-Pro-Preview，还适配 Codex，想试的可以看看。

原文

7月31日

06:11

lmarena.ai@lmarena_ai

Agent Arena 的评分基于数百万来自全球用户的真实长期智能体任务。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。排行榜使用因果追踪方法测量模型相对于平均模型的结果表现。详细方法可在 arena.ai/leaderboard/ag 查看。

AI模型 Agent Arena 智能体基准测试

推荐理由：想知道你的模型在真实任务里啥水平？Agent Arena 用数百万实际任务和工具调用测试，结果很客观。

原文

7月30日

02:32

lmarena.ai@lmarena_ai

Anthropic 的 Claude Opus 5 (Max) 在 Agent Arena 中以 11.88% 净改进率位居第二，紧随其后的 Opus 5 (High) 以 11.73% 位列第三。该排名基于超过 7,000 次真实世界智能体会话，且 Opus 5 Max 在 Confirmed Success 和 Praise vs Complaint 信号上均获得第一。默认版本 Opus 5 (High) 在 Praise vs Complaint 信号排第三，在 Confirmed Success 信号排第四。Agent Arena 通过数百万个长期任务评估模型的工具调用和复杂工作流完成能力。

AI模型 Claude Opus 5 Agent Arena Anthropic

事件专题

推荐理由：Anthropic 的 Opus 5 在 Agent Arena 上超过 GPT-5.6，你也能用自己提示词在 agent 模式里测试它。

原文

01:00

lmarena.ai@lmarena_ai

82°

OpenAI 的 GPT 5.6 Sol (xHigh) 在 Agent Arena 中排名第四，而 Anthropic 的 Claude Opus 5 (Max) 以 11.88% 的净提升位列第二，Opus 5 (High) 以 11.73% 净提升位列第三。Opus 5 Max 在 Confirmed Success 和 Praise vs Complaint 信号上均排名第一。Fable 5 (High) 在性价比上表现最优。Arena.ai 基于超过 7000 次真实世界智能体会话得出排名。

AI模型 Claude Opus 5 GPT 5.6 Agent Arena

事件专题

推荐理由：想比较 Claude Opus 5 和 GPT 5.6 在真实智能体任务上的表现？这份报告用 7000+ 次任务告诉你谁更强、谁更划算。

原文

00:15

lmarena.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 5 Agent Arena Anthropic

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