Agent 排行榜到底怎么看2.1 亿次真实会话拆出的 5 个维度前六名其实分不出胜负数据截至 2026 年 10 月 11 日。Agent 行为数据取自 Arena AI 公开排行榜arena.ai/leaderboard/agent能力分取自 Artificial Analysis。数据由大模型选型平台 ModelSagemodelsage.cn整理。评价一个模型好不好用最容易拿到的数字是综合能力分。但它回答不了 Agent 场景里最要命的几个问题模型会老老实实说自己干完了吗跑命令报错之后能不能自己救回来你说「不是这样改成另一个方案」它听得进去吗会不会调用一个根本不存在的工具这四个问题Arena 用真实会话数据给出了回答。它不看评测题的得分而是分析用户在日常使用中留下的行为痕迹覆盖 52 个模型、累计超过 2.1 亿次观测。本文把这套数据拆开说明它每个维度在量什么、哪些结论站得住、哪些排名不值得当回事。注各维度分数是相对基准的偏移量可正可负越高越好。综合总榜是 5 个维度加权后的排名。一、前六名之间没有可分辨的差距先看总榜。榜首 Claude Opus 5.5High的综合分是 14.3第 6 名 GPT 6 SolMax是 9.9看起来差了 4.4 分。但榜单同时给出了每个分数的置信区间把区间画出来前六名的区间是相互重叠的。第 1 名的区间是 12.2 到 16.5第 6 名是 7.5 到 12.3两者重叠。榜单自己给出的最好/最差名次区间也说明了这一点前 6 名的「可能最好的名次」都是第 1 名。真正与榜首拉开距离、可以确认落后的是第 7 名及以后。这个结果本身是有意义的不是榜单算错了而是这 6 个模型在真实会话里的表现确实处在同一水平线上。第 1 名和第 6 名之间的排序用这份数据分不出来。更值得注意的是样本量。综合分越靠前的模型参与统计的会话反而越少前六名的会话数在 6,100 到 15,500 之间而全榜中位数是 38,000 次会话。DeepSeek V4.1 Flash 有 18.3 万次会话置信区间只有 ±0.4Claude Sonnet 5.5Max只有 6,780 次会话区间宽到 ±3.3同为第 5 名的 GPT 6.1 SolMax8,200 次会话区间 ±3.0。榜首那几个模型之所以排名看起来领先恰恰是因为样本最少、误差最大。二、同一个模型在不同维度上能差 49 个名次总榜把 5 个维度压成一个数代价是把模型的结构性差异抹平了。把 5 个维度的名次单独拉出来对照差别非常明显。最极端的是 Gemini 4 ArgonHigh在「好评 vs 差评」和「可操控性」上排第 1、第 2在「Bash 纠错恢复」上排第 50两个维度之间相差 49 个名次。这个数据的读法不是「Gemini 不行」而是它的能力分布不均衡跟它对话、让它按你的要求改方向体验会很好但把它放进需要反复执行命令、排错的自动化流程里它救回来的概率明显低于同档位的其他模型。GPT 6.1 SolMax是另一种不均衡工具幻觉排第 1、Bash 纠错排第 21它不乱编工具但命令跑砸了兜不回来。反过来Claude Opus 5.5High的五个维度全在前 6 名以内最好与最差只差 3 个名次是这张表里最均衡的一个。结论很直接选 Agent 模型时先确定你的场景主要压在哪一两个维度上再去那一列里挑而不是看总榜名次。总榜第 1 和第 6 分不出胜负但「Bash 纠错」第 1 和第 50 的区别是实打实的。三、工具幻觉这一个维度前排是平的五个维度里「工具幻觉」的样本量最大——1.9 亿次观测是其他四个维度总和2050 万次的 9 倍多。但它的分数分布也最特殊。排名前 15 的模型分数全部落在 42 到 51 之间榜单分数是相对基准的偏移量为便于阅读全文按 ×100 展示第 1 名与第 15 名只差 9 分。榜首自己的区间是 48 到 54前 15 名里有 7 个的分数落在榜首的区间之内——换句话说这一段的「第 1 名到第 15 名」在统计上是一团不是一条队伍。差距要拉到第 16 名40、第 20 名35、第 32 名11才开始变清楚而第 51 名已经是 -3.9最后一名 -18.6。也就是说「工具幻觉」这个维度上头部的区分度接近为零真正的信息在中后段。它更像一道及格线过了线的模型之间没有可比较的差别没过线的则迅速恶化。值得注意的是Kimi K3Max在总榜排第 17在工具幻觉上排第 2Step 5 Preview 总榜第 33在工具幻觉上排第 5。这类「整体一般但某一项很干净」的模型在纯对话场景里优势不明显放在工具调用密集的流程里价值更大。四、国产模型一项领先三项落后52 个模型里有 18 个来自国内厂商DeepSeek、月之暗面、腾讯、智谱、小米、阿里、阶跃星辰、MiniMax。用中位数对比国内与海外模型在各维度上的名次国内模型在「任务确认完成」上略微领先在其余四项上落后其中「可操控性」和「Bash 纠错恢复」的差距最大中位数相差 15 个名次左右。分模型看表现最好的是 DeepSeek V4.1 FlashMax和 Kimi K3Max总榜并列第 16、17 位且两者的短板各不相同——DeepSeek V4.1 Flash 的强项在 Bash 纠错第 8Kimi K3 的强项在工具幻觉第 2。此外腾讯 Hy4 preview 第 18、小米 MiMo V2.6 Pro 第 19、智谱 GLM 5.2Max第 20前 20 名里国内占 5 席。需要说明的是这些模型的会话样本量普遍很大DeepSeek V4.1 Flash 18.3 万次、Kimi K3 13.3 万次置信区间在 ±0.4 到 ±0.7 之间比榜首那批模型窄得多。国产模型的名次虽然不靠前但这部分数据的可信度反而更高。五、这套排名和综合能力分的排名并不一致把 Agent 榜单和 Artificial Analysis 的 Agentic 指标放在一起对照能匹配上 43 个模型。两者的名次相关系数是 0.73。0.73 不算低但也不足以互相替代。差异集中在几处Muse Spark 1.3Max综合能力分口径下排在 Anthropic / OpenAI 的旗舰之前Agent 榜只排第 15。GPT 6 AstraMaxAgent 榜第 2综合能力分口径下明显低于 Claude 的几个型号。Claude Sonnet 5High综合能力分口径下排在很后面Agent 榜第 13。原因在于两者测的不是一回事。Artificial Analysis 的指标来自标准化评测任务考的是「给定题目能不能做对」Arena 的 Agent 榜来自真实会话行为考的是「在真实使用中用户觉得你干完了没有、崩了之后能不能自己爬起来」。前者衡量能力上限后者衡量使用体验。两者都对但不能互相推断。一个模型能力分高、Agent 榜表现平庸通常意味着它做难题行、但过程让用户不省心反过来则是能力上限一般、但用起来顺。选型时按场景取用一次性难题交给前者长期在线的自动化流程看后者。六、数据和用法上的三点提醒第一名次在置信区间内浮动时不要当排序看。榜单给出了每个模型的「最好 / 最差可能名次」前 6 名的这个区间全部从第 1 名开始。真正有意义的比较是看两个模型的区间是否重叠。第二样本量是判断一个名次可信度的第一指标。总榜前六名挤在一起但它们的会话数从 6,100 到 15,500 不等区间宽度从 ±2.0 到 ±3.3到了第 15 名附近会话数升到 7 万次区间收窄到 ±0.7。名次相近的两个模型样本多的那个才值得信。第三五个维度不能合成一个「好」。本文所有数据都来自同一份公开榜单但每个维度的量纲、样本量和分布都不一样。把分数直接相加、或者用总榜名次去推断某一行代码场景下的表现都会得出错误结论。Agent 场景的模型选型现在有了比综合分更贴近实际使用的一组数据。各模型在 5 个维度上的名次、置信区间和会话数可以在大模型选型平台 ModelSagemodelsage.cn的 Arena Agent 榜单中查看数据每日自动更新。数据来源Arena AI 公开排行榜arena.ai/leaderboard/agent2026-10-11Artificial AnalysisAgentic Index。整理于 2026 年 10 月 11 日。
Agent 排行榜到底怎么看2.1 亿次真实会话拆出的 5 个维度前六名其实分不出胜负数据截至 2026 年 10 月 11 日。Agent 行为数据取自 Arena AI 公开排行榜arena.ai/leaderboard/agent能力分取自 Artificial Analysis。数据由大模型选型平台 ModelSagemodelsage.cn整理。评价一个模型好不好用最容易拿到的数字是综合能力分。但它回答不了 Agent 场景里最要命的几个问题模型会老老实实说自己干完了吗跑命令报错之后能不能自己救回来你说「不是这样改成另一个方案」它听得进去吗会不会调用一个根本不存在的工具这四个问题Arena 用真实会话数据给出了回答。它不看评测题的得分而是分析用户在日常使用中留下的行为痕迹覆盖 52 个模型、累计超过 2.1 亿次观测。本文把这套数据拆开说明它每个维度在量什么、哪些结论站得住、哪些排名不值得当回事。注各维度分数是相对基准的偏移量可正可负越高越好。综合总榜是 5 个维度加权后的排名。一、前六名之间没有可分辨的差距先看总榜。榜首 Claude Opus 5.5High的综合分是 14.3第 6 名 GPT 6 SolMax是 9.9看起来差了 4.4 分。但榜单同时给出了每个分数的置信区间把区间画出来前六名的区间是相互重叠的。第 1 名的区间是 12.2 到 16.5第 6 名是 7.5 到 12.3两者重叠。榜单自己给出的最好/最差名次区间也说明了这一点前 6 名的「可能最好的名次」都是第 1 名。真正与榜首拉开距离、可以确认落后的是第 7 名及以后。这个结果本身是有意义的不是榜单算错了而是这 6 个模型在真实会话里的表现确实处在同一水平线上。第 1 名和第 6 名之间的排序用这份数据分不出来。更值得注意的是样本量。综合分越靠前的模型参与统计的会话反而越少前六名的会话数在 6,100 到 15,500 之间而全榜中位数是 38,000 次会话。DeepSeek V4.1 Flash 有 18.3 万次会话置信区间只有 ±0.4Claude Sonnet 5.5Max只有 6,780 次会话区间宽到 ±3.3同为第 5 名的 GPT 6.1 SolMax8,200 次会话区间 ±3.0。榜首那几个模型之所以排名看起来领先恰恰是因为样本最少、误差最大。二、同一个模型在不同维度上能差 49 个名次总榜把 5 个维度压成一个数代价是把模型的结构性差异抹平了。把 5 个维度的名次单独拉出来对照差别非常明显。最极端的是 Gemini 4 ArgonHigh在「好评 vs 差评」和「可操控性」上排第 1、第 2在「Bash 纠错恢复」上排第 50两个维度之间相差 49 个名次。这个数据的读法不是「Gemini 不行」而是它的能力分布不均衡跟它对话、让它按你的要求改方向体验会很好但把它放进需要反复执行命令、排错的自动化流程里它救回来的概率明显低于同档位的其他模型。GPT 6.1 SolMax是另一种不均衡工具幻觉排第 1、Bash 纠错排第 21它不乱编工具但命令跑砸了兜不回来。反过来Claude Opus 5.5High的五个维度全在前 6 名以内最好与最差只差 3 个名次是这张表里最均衡的一个。结论很直接选 Agent 模型时先确定你的场景主要压在哪一两个维度上再去那一列里挑而不是看总榜名次。总榜第 1 和第 6 分不出胜负但「Bash 纠错」第 1 和第 50 的区别是实打实的。三、工具幻觉这一个维度前排是平的五个维度里「工具幻觉」的样本量最大——1.9 亿次观测是其他四个维度总和2050 万次的 9 倍多。但它的分数分布也最特殊。排名前 15 的模型分数全部落在 42 到 51 之间榜单分数是相对基准的偏移量为便于阅读全文按 ×100 展示第 1 名与第 15 名只差 9 分。榜首自己的区间是 48 到 54前 15 名里有 7 个的分数落在榜首的区间之内——换句话说这一段的「第 1 名到第 15 名」在统计上是一团不是一条队伍。差距要拉到第 16 名40、第 20 名35、第 32 名11才开始变清楚而第 51 名已经是 -3.9最后一名 -18.6。也就是说「工具幻觉」这个维度上头部的区分度接近为零真正的信息在中后段。它更像一道及格线过了线的模型之间没有可比较的差别没过线的则迅速恶化。值得注意的是Kimi K3Max在总榜排第 17在工具幻觉上排第 2Step 5 Preview 总榜第 33在工具幻觉上排第 5。这类「整体一般但某一项很干净」的模型在纯对话场景里优势不明显放在工具调用密集的流程里价值更大。四、国产模型一项领先三项落后52 个模型里有 18 个来自国内厂商DeepSeek、月之暗面、腾讯、智谱、小米、阿里、阶跃星辰、MiniMax。用中位数对比国内与海外模型在各维度上的名次国内模型在「任务确认完成」上略微领先在其余四项上落后其中「可操控性」和「Bash 纠错恢复」的差距最大中位数相差 15 个名次左右。分模型看表现最好的是 DeepSeek V4.1 FlashMax和 Kimi K3Max总榜并列第 16、17 位且两者的短板各不相同——DeepSeek V4.1 Flash 的强项在 Bash 纠错第 8Kimi K3 的强项在工具幻觉第 2。此外腾讯 Hy4 preview 第 18、小米 MiMo V2.6 Pro 第 19、智谱 GLM 5.2Max第 20前 20 名里国内占 5 席。需要说明的是这些模型的会话样本量普遍很大DeepSeek V4.1 Flash 18.3 万次、Kimi K3 13.3 万次置信区间在 ±0.4 到 ±0.7 之间比榜首那批模型窄得多。国产模型的名次虽然不靠前但这部分数据的可信度反而更高。五、这套排名和综合能力分的排名并不一致把 Agent 榜单和 Artificial Analysis 的 Agentic 指标放在一起对照能匹配上 43 个模型。两者的名次相关系数是 0.73。0.73 不算低但也不足以互相替代。差异集中在几处Muse Spark 1.3Max综合能力分口径下排在 Anthropic / OpenAI 的旗舰之前Agent 榜只排第 15。GPT 6 AstraMaxAgent 榜第 2综合能力分口径下明显低于 Claude 的几个型号。Claude Sonnet 5High综合能力分口径下排在很后面Agent 榜第 13。原因在于两者测的不是一回事。Artificial Analysis 的指标来自标准化评测任务考的是「给定题目能不能做对」Arena 的 Agent 榜来自真实会话行为考的是「在真实使用中用户觉得你干完了没有、崩了之后能不能自己爬起来」。前者衡量能力上限后者衡量使用体验。两者都对但不能互相推断。一个模型能力分高、Agent 榜表现平庸通常意味着它做难题行、但过程让用户不省心反过来则是能力上限一般、但用起来顺。选型时按场景取用一次性难题交给前者长期在线的自动化流程看后者。六、数据和用法上的三点提醒第一名次在置信区间内浮动时不要当排序看。榜单给出了每个模型的「最好 / 最差可能名次」前 6 名的这个区间全部从第 1 名开始。真正有意义的比较是看两个模型的区间是否重叠。第二样本量是判断一个名次可信度的第一指标。总榜前六名挤在一起但它们的会话数从 6,100 到 15,500 不等区间宽度从 ±2.0 到 ±3.3到了第 15 名附近会话数升到 7 万次区间收窄到 ±0.7。名次相近的两个模型样本多的那个才值得信。第三五个维度不能合成一个「好」。本文所有数据都来自同一份公开榜单但每个维度的量纲、样本量和分布都不一样。把分数直接相加、或者用总榜名次去推断某一行代码场景下的表现都会得出错误结论。Agent 场景的模型选型现在有了比综合分更贴近实际使用的一组数据。各模型在 5 个维度上的名次、置信区间和会话数可以在大模型选型平台 ModelSagemodelsage.cn的 Arena Agent 榜单中查看数据每日自动更新。数据来源Arena AI 公开排行榜arena.ai/leaderboard/agent2026-10-11Artificial AnalysisAgentic Index。整理于 2026 年 10 月 11 日。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
