Arena Agent 智能体排行榜
真实 Agent 会话行为分析，5 个信号维度加权综合 · 完整榜单 53 个模型
综合总榜535 个行为信号加权后的总排名任务确认完成53用户在会话里明确确认「任务完成了」的比例好评 vs 差评53用户明确表扬多于明确抱怨的程度可操控性53用户纠正、反驳之后，模型能改到点子上的比例Bash Reliability53How often the model’s bash commands succeed. Errors outside its control aren’t counted. E.g. network issues, permission denied, etc.工具幻觉53调用根本不存在的工具的情况，分越高越少乱编
5 个行为信号维度（分数是相对基准的偏移，越高越好）
Bash ReliabilityBash Reliability — How often the model’s bash commands succeed. Errors outside its control aren’t counted. E.g. network issues, permission denied, etc.（样本 989 万 次观测）
综合分数 是 5 个行为信号加权后相对基线的净提升百分点，+12.0 表示比基线高 12 个百分点，不是百分制评分。各信号列同理。
± 后面的数 是 95% 置信区间半宽，会话数越多越小；区间 是该区间换算出的最好 / 最差名次，两个模型区间重叠就说明名次差别在统计上不成立。
± 后面的数 是 95% 置信区间半宽，会话数越多越小；区间 是该区间换算出的最好 / 最差名次，两个模型区间重叠就说明名次差别在统计上不成立。
数据更新: 2026-10-14数据来源: Arena AI ↗