发生了什么
Arena 发布 Agent Arena(300K+ 任务 2M+ 工具调用 40M 行代码)
为什么值得关注
值得点开原文看方法设计与五信号指标定义，尤其是其如何把真实会话中的纠错、恢复和工具幻觉纳入因果评估。
信息来源
以下内容来自公开来源，可打开原文继续核验。
01
Agent Arena 上线
Arena 发布了一个面向真实工作场景的 agent 排行榜，用来衡量 AI 模型完成实际用户任务的能力，而不是孤立基准题。该系统跟踪模型在 web search、文件、terminal 等工具下处理写代码、做应用、研究、写文档、分析文件等任务的表现，并通过因果推断综合 5 个信号：任务成功、赞扬与投诉、纠错跟随、terminal 错误恢复、以及工具幻觉。公开数据规模达到 300K+ 任务、2M+ 次工具调用、40M 行代码；榜单中 GPT-5.5 High 以 +10.7% 净提升领先，Claude Opus 4.7 Thinking 为 +9.5%，GPT-5.4 High 为 +8.9%。
打开原始来源 ↗02
Agent Arena 实时排行榜
Arena.ai 发布 Agent Arena，用真实用户的百万级在线会话评估模型的 agent 表现，而不是依赖合成基准。该方法基于因果推断，统计 5 个信号：任务成功率、用户表扬/投诉、可引导性、bash 错误恢复和工具幻觉。当前排行榜前 5 名分别是 GPT-5.5 (High)、Claude Opus 4.7 (Thinking)、GLM-5.1、Gemini-3.1-Pro、Kimi-K2.6；该快照基于 300K+ 任务、2M+ 工具调用和单周 40M 行代码。
打开原始来源 ↗