Arena 智能体榜：Claude Opus 5.5 Max 首次入榜即登顶，Anthropic 包揽前二
Arena 智能体榜显示 Claude Opus 5.5 (Max) 以 15.53% 净提升分登顶，DeepSeek、Kimi、腾讯居 17–19 位。
Arena 的官方智能体榜（Agent Leaderboard）10 月 8 日更新的一期里来了个新名字：Claude Opus 5.5 (Max) 首次入榜，就以 15.53% 的净提升分（官方列名 Net Improvement）排在第一，9 月 23 日发布的 Opus 5.5 在这个榜上又进了一步。这一版榜单基于 2,383,022 个真实 Agent Mode 会话、覆盖 53 个模型，Opus 5.5 (High) 以 14.33% 居次——Anthropic 第一次在这个榜包揽前二。国产阵营排最前的是第 17 位的 DeepSeek V4.1 Flash，净提升分 3.80%，不到榜首的四分之一。
要点
- Claude Opus 5.5 (Max) 以 15.53%±4.63% 的净提升分登顶 Arena 智能体榜，Opus 5.5 (High) 以 14.33% 居次，GPT 6 Astra (Max) 第三（13.09%）；前十中 Anthropic 系占六席。
- 榜单口径：截至 10 月 8 日的 2,383,022 个真实 Agent Mode 会话、53 个模型，按净提升分而非 ELO 计分，分数随新会话滚动更新。
- 国产第一梯队 DeepSeek V4.1 Flash（第 17）、Kimi K3（第 18）、腾讯 Hy4 preview（第 19）净提升分在 3.6%–3.8%；其中 DeepSeek 单任务成本 0.13 美元，约为榜首（5.41 美元）的四十分之一，Kimi K3 与 Hy4 preview 分别为 0.94 和 0.38 美元。
背景
把这次的座次放进时间线看更清楚。Opus 5.5 发布于 9 月 23 日，API 价格降了 20%，定位是长任务编程 Agent；一周后 Sonnet 5.5 跟上，这次在智能体榜排第 5。运营榜单的 Arena 自己也在换挡：10 月 8 日完成 2 亿美元 B 轮融资、估值 31 亿美元（见我们此前的报道），同一批发布里还上线了按”谎称完成”等行为排名的对齐排行榜。智能体榜正是它从文本盲测投票走向真实任务实测的那条产品线，这次登顶的恰好处在这条线上。
「第 41 周」的说法来自 IT之家 10 月 12 日的整理，它把数据窗口对应到 10 月 5 日至 11 日；Arena 官方页面没有周编号，只标注数据截至 10 月 8 日。引用时建议写清口径。
事实部分
智能体榜的关键数字如下（Arena 官方页面，数据截至 2026-10-08，本站 10 月 12 日实测）：
| 排名 | 模型 | 净提升分 | 确认成功率 | 工具幻觉率 | 会话数 | 单任务成本（P50） |
|---|---|---|---|---|---|---|
| 1 | Claude Opus 5.5 (Max) | 15.53% ±4.63 | 17.29% ±6.02 | 0.37% ±0.18 | 4,893 | $5.41 |
| 2 | Claude Opus 5.5 (High) | 14.33% ±2.18 | 13.93% ±3.84 | 0.50% ±0.04 | 6,103 | $1.93 |
| 3 | GPT 6 Astra (Max) | 13.09% ±2.37 | 12.13% ±3.88 | 0.43% ±0.11 | 12,029 | $3.53 |
| 5 | Claude Sonnet 5.5 (Max) | 11.95% ±3.31 | 15.83% ±5.06 | 0.43% ±0.12 | 6,780 | $3.30 |
| 8 | Gemini 4 Argon (High) | 9.26% ±2.36 | 15.64% ±3.26 | 0.18% ±0.34 | 17,963 | $0.75 |
| 17 | DeepSeek V4.1 Flash (Max) | 3.80% ±0.39 | 7.44% ±0.86 | 0.37% ±0.04 | 182,693 | $0.13 |
| 18 | Kimi K3 (Max) | 3.78% ±0.59 | 6.46% ±1.32 | 0.51% ±0.03 | 133,217 | $0.94 |
| 19 | 腾讯 Hy4 preview | 3.61% ±0.70 | 5.96% ±1.48 | 0.09% ±0.21 | 70,702 | $0.38 |
| 20 | MiMo V2.6 Pro | 3.52% ±1.92 | 8.03% ±3.88 | 0.35% ±0.54 | 11,376 | $0.11 |
| 24 | Qwen3.8 Max | 2.35% ±0.59 | 5.09% ±1.32 | 0.92% ±0.17 | 59,995 | $0.58 |
拆开榜首的信号：Opus 5.5 (Max) 的确认成功率（用户确认任务完成的会话占比）是 17.29%±6.02%，工具幻觉率 0.37%±0.18%，Steerability 8.20%±4.06%。官方给第 5 名 Sonnet 5.5 (Max) 的单独标注是「以最少的步数从失败命令中恢复」。成本维度上，榜首单任务 5.41 美元，DeepSeek V4.1 Flash 只要 0.13 美元，MiMo V2.6 Pro 0.11 美元——Arena 首页的 Pareto Frontier 区把这几档都标为帕累托最优点。
IT之家整理的其他榜单：综合榜 Gemini 4 Argon (High) 以 ELO 1525 居首，Opus 5.5 (High) 升 2 位到第二；代码榜 Opus 5.5 (High) 大升 7 位至第五；前端榜 Opus 5.5 Max 以 ELO 1813 排第一。视频榜方面，IT之家称国产模型有 6 款进入前 20——此条仅见于该报道一家，Arena 官方视频榜本次未核对。
各方说法
IT之家把净提升分译作「净提升度」，落点放在国产座次：智能体榜 17–20 位之外，综合榜 kimi-k3-max 第 16、qwen3.8-max 第 22、glm-5.3-max 第 27，结论是「国产多模型稳定在中上游」。Arena 官方页面强调的两点是：分数随真实 Agent Mode 会话滚动更新、不是一次性静态分；每个模型除总分外还公开 5 个信号的明细：确认成功率、表扬对抱怨（Praise vs Complaint）、Steerability、Bash Recovery、工具幻觉率。
方法学上，官方 FAQ 说得更直白：Agent Mode 把每个会话随机派给一个模型，用户在单线程长对话里（有时上百轮）与单个智能体交互；榜单不再只靠投票，而是把自然语言表扬/抱怨、工具幻觉等隐性行为信号汇总进来，再用名为 causal tracing 的因果推断方法——替代原来的 Bradley–Terry 回归——报告某个模型相对平均模型的效应，以百分点差呈现。这也解释了净提升分为什么是百分比而不是 ELO 分。
统计上的冷水也得有人泼：前三名的置信区间互相重叠——第 1 名 15.53%±4.63 的下沿（10.90）低于第 3 名 13.09%+2.37 的上沿（15.46）——而且榜首只有 4,893 个会话样本，不到 DeepSeek V4.1 Flash（182,693 个）的 3%。「谁是第一」在统计上并不干净。针对 Arena 众包评测方法学的老批评（盲测偏好更长、更讨喜的回答，Arena 自己也承认投票数据有偏、需统计校正）依然适用，智能体榜改用真实任务会话算是部分回应，但任务分布仍由平台决定。英文媒体方面，截至 10 月 12 日我们没有检索到针对本周榜单的专文，周度整理目前主要是中文科技媒体在做。
编辑判断
对正在选模型的人，这张榜值得带走的是两件事，登顶反而排在其次。其一，前三名的差距落在置信区间重叠里，把 15.53% 对 13.09% 读成「稳赢」是过度解读；榜单适合初筛，关键场景还是要用自己的任务跑一遍。其二，成本曲线比名次更值得看：同一张榜上，5.41 美元一任务的榜首和 0.13 美元的第 17 名差约 42 倍，后者净提升分是前者的四分之一——对大多数非关键任务，「够用档」第一次有了可引用的坐标。
国产阵营的座次也从此有了数字锚点：3.6%–3.8% 的第一梯队、2.35% 的 Qwen3.8 Max、与头部约 4 倍的差距。注意这个差距是 Arena 的任务分布量出来的，换一批中文任务未必维持这个比例。诚实的不确定性：周编号是 IT之家口径；榜单滚动更新，本文数字是 10 月 8 日数据戳、10 月 12 日实测；单任务成本这类滚动值会漂移；视频榜「国产 6 款进前 20」仅 IT之家单一来源。