Arena推出Agent Arena Index:覆盖290万次会话,新增六大专项榜单

Arena于2026年11月16日发布Agent Arena Index,用覆盖超290万次用户会话的数据重新组织Agent能力榜,并新增六个专项指数,同时调整评分缩放方式。它值得关注,是因为Agent评测正从单一总分走向按任务、技能拆分的细粒度比较。

一句话看懂:Arena于2026年11月16日发布Agent Arena Index,用覆盖超290万次用户会话的数据重新组织Agent能力榜,并新增六个专项指数,同时调整评分缩放方式。它值得关注,是因为Agent评测正从单一总分走向按任务、技能拆分的细粒度比较。

事件核心:发生了什么

Arena宣布刷新其Agent排行榜,主榜单Agent Arena Index提供跨类型Agent工作的整体视图,数据来自超过290万次用户会话(原文称“且仍在增长”)。在它之外,新增Agentic Work、Agentic Coding、Agentic Chat、Task Outcome、Steering和Tool Use六个指数,分别对应任务领域与Agent能力;Alignment Index保持不变,作为并列衡量。方法论核心未变,主要改动是新的分数重缩放方式,便于跨时间解读和比较,Arena明确该变化不影响排名。信号集方面,Tool Hallucination信号被退役,理由是新前沿模型已很少调用不存在的工具;Confirmed Success更名为Task Completion,测量方式不变。

为什么重要

Agent产品过去常被一个模糊总分概括,但实际使用中,写代码、调用工具、多轮对话和任务交付的能力差异很大。拆成专项指数后,模型和路由方案可以在具体场景里被比较,而不只是争一个总名次。需要注意的是,这些结果仅适用于原文发布日期的评测条件和采样会话,并非永久排名。

对用户/开发者/创作者的影响

开发者选型时可以参考细分榜单:做编码Agent看Agentic Coding,做企业流程自动化看Task Outcome和Tool Use。对采购方来说,多指数意味着更接近真实工作流的判断依据,但需自行核对榜单覆盖的任务类型与自家场景是否匹配。创作者若使用Agent完成内容流水线,Steering指数会更直接地反映模型跟随指令的程度。目前公开信息显示,Arena同时提到Agent Mode接入Gmail、Vercel、Supabase、Google Drive等Connectors,以及成本节省37%的Agent路由Max,但这些属于同批公告,不应直接视为榜单结论。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是各专项指数的排序是否与开发者实际体验一致;二是新的分数缩放能否让跨版本比较稳定成立;三是Tool Hallucination退役后,是否会出现替代性的工具误用评估维度。

来源:Arena

celebrityanime
celebrityanime
文章: 36045

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注