AI 代理
不只回答一輪，而是藉助工具把一件事辦完。這裡回答兩個問題：派哪個模型上場，用哪個框架驅動它。
- 第一 · AA
- 63.6%
- Claude Sonnet 5.5 · $4.00
- 斬殺者 · 價格
- $0.17
- MiMo V2.6 Flash
- SOTA
- 18
- 得分高過斬殺者
- 被斬殺
- 39
- 更貴，得分卻不更高
排行 · AA 1–64% · AA-CODE 0.42–0.68 · A-AGENT -0.02–0.16
- 163.6%0.6840.125
- 259.6%0.6600.138
- 359.6%0.6160.123
- 457.1%0.6380.076
- 556.1%0.6290.112
- 655.1%0.6220.143
- 7上一代49.0%0.5970.087
- 8上一代43.9%0.5670.097
- 9上一代42.4%—0.082
- 1041.9%0.5360.024
- 11上一代39.9%0.5460.065
- 1238.9%0.4330.025
- 1335.4%—0.004
- 1434.8%—0.033
- 15新上榜33.3%——
- 1633.3%0.5430.040
- 1733.3%—0.005
- 1832.8%—-0.004
- 1926.8%—0.040
- 20新上榜26.8%——
- 2125.8%0.5630.040
- 2225.3%—-0.007
- 23斬殺者22.7%—-0.006
斬殺線：得分 × 價格
每個點代表一個模型：越往右越貴，越往上得分越高。兩條虛線的交點是斬殺者，全場性價比最高的模型。它右下方的模型更貴，得分卻不更高，全部被斬殺；橫線以上是 SOTA，最強的一檔；左下方更便宜也更弱，是低成本之選。 斬殺線是怎麼畫的 →歷任斬殺者 →
斬殺線前沿線：沒有哪個模型在價格和得分上同時勝過它們SOTA低成本被斬殺空心點或淺色叉：該榜的估算值
Claude Sonnet 5.5
各榜成績
- Artificial Analysis LLM Leaderboard56.0第 2 名，共 374 個
- Arena — Agent0.125第 3 名，共 51 個
- Artificial Analysis Coding Agents0.684第 1 名，共 22 個
- Arena — Code1786第 3 名，共 138 個
- Arena — Text1471第 45 名，共 413 個
- Arena — Vision1268第 35 名，共 159 個
名次以各榜自己的為準：榜單公佈了名次就用它的，沒有公佈就按該榜的分數排序。橫條表示該模型在這個榜上領先了多大比例的模型。不同榜的分數不能相互比較。
不同推理強度下的成績
Artificial Analysis LLM Leaderboardmax 最高
- low35.9
- medium40.8
- high46.8
- xhigh51.9
- max56.0
Artificial Analysis Coding Agents · Claude Codemax 最高
- low0.421
- medium0.459
- high0.550
- xhigh0.629
- max0.684
Arena — Codexhigh 最高
- high1715
- xhigh1786
只測了一檔
- Arena — Agent · agentmax0.125
- Arena — Textxhigh1471
- Arena — Visionxhigh1268
同一個模型在不同推理強度下的成績。長條從 0 畫到該榜的最高分，請逐榜閱讀，不要跨榜比較。
這個場景參考哪些榜
每一欄都是一張榜單公佈的原始排名，不取平均。兩欄結論不一致，通常是因為測的本來就不是同一件事。
模型
比較模型本身，不論由什麼框架驅動。Artificial Analysis 按完成的任務打分；Arena 根據真實使用中的工具呼叫可靠性、任務完成度和指令遵循度打分。
執行框架
同一批資料換個角度看：比較的是驅動模型的代理框架。HarnessTax 讓每個模型在每個框架裡都跑一遍，所以兩行之間的差距只來自框架；Artificial Analysis 覆蓋的框架更多，但大多只搭配自家廠商的模型。