衡量一个模型带着工具把任务做完的能力，而不是一轮就答完。这里包含两个不同的选型问题：该选哪个模型来驱动，以及该用哪个执行框架去驱动它。
每一栏均按对应数据源发布的原始排名呈现，本页不做跨栏平均。若两栏结论不同，是因为它们衡量的维度不同。
这一部分考察的是模型本身，无论它由什么驱动。Artificial Analysis 对完成的任务打分；Arena 观察真实会话，在自己的流量上对工具可靠性、任务完成度和可引导性评分。
Agentic Index 抓取于 2026-08-22
Claude Opus 5 59.2 
GLM-5.3 59.1 
Grok 4.6 58.7 
Qwen3.8 Max 58.4 
GPT-5.6 Sol 57.8 Qwen3.8 2.4T A95B 57.1 Claude Fable 5 (Opus 4.8 fallback) 56.6 
Kimi K3 54.3 Qwen3.8 27B 50.9 GPT-5.6 Terra 50.2 Artificial Analysis Coding Agent Index 抓取于 2026-08-20
Claude Opus 5 0.667 GPT-5.6 Sol 0.666 Grok 4.5 0.644 GPT-5.6 Terra 0.623 GPT-5.5 0.615 Kimi K3 0.613 Claude Opus 4.8 0.606 
Muse Spark 1.2 0.605 Qwen3.8 Max 0.598 Overall 数据截至 2026-08-19
Claude Opus 5 0.125 Kimi K3 0.104 GPT-5.6 Sol 0.097 Claude Opus 4.8 0.095 GPT-5.5 0.085 Claude Opus 4.7 0.081 Claude Sonnet 5 0.066 Claude Opus 4.6 0.066 换一个角度解读同一批数据：智能体是一个程序，而模型是它驱动的东西。这里只有一个数据源，因为它是找到的唯一一个把这对组合两半都写明的榜。
Artificial Analysis Coding Agent Index 按执行框架 · 抓取于 2026-08-20