AITOPAI热报

Agent Arena

共 112 条相关 AI 资讯
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
01:43
01:43lmarena.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
01:31
7月17日
02:43
7月16日
04:27
04:27lmarena.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InklingThinking MachinesAgent 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
05:51
7月14日
06:35
02:33
02:33lmarena.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-4.5SpaceXAIAgent 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
02:30lmarena.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-4.5Agent 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
01:40
01:38
7月10日
03:22
7月9日
22:46
03:37
7月7日
23:07
23:06
7月3日
08:00
7月2日
06:21
05:59
7月1日
04:54
04:54lmarena.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
6月30日
12:19
6月27日
13:28
13:26