智能体
不只回答一轮，而是借助工具把一件事办完。这里回答两个问题：派哪个模型上场，用哪个框架驱动它。
- 第一 · AA
- 63.6%
- Claude Sonnet 5.5 · $4.00
- 斩杀者 · 价格
- $0.17
- MiMo V2.6 Flash
- SOTA
- 16
- 得分高过斩杀者
- 被斩杀
- 39
- 更贵，却不更强
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
- 4新上榜57.1%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
- 1533.3%0.5430.040
- 1633.3%—0.005
- 1732.8%—-0.004
- 1826.8%—0.040
- 1925.8%0.5630.040
- 2025.3%—-0.007
- 21斩杀者22.7%—-0.006
斩杀线：得分 × 价格
每个点是一个模型：越往右越贵，越往上越强。两条虚线交汇处是斩杀者，全场性价比最高的那一个。它右下方的模型更贵却不更强，统统被斩杀；横线以上是 SOTA，最强的一档；左下方更便宜也更弱，是省钱之选。 斩杀线是怎么画的 →
斩杀线前沿线：价格和得分都没被别的模型同时超过SOTA低成本被斩杀空心点或浅色叉：该榜的估算值
Claude Sonnet 5.5
各榜成绩
- Artificial Analysis LLM Leaderboard56.0第 2 名，共 372 个
- Arena — Agent0.125第 3 名，共 49 个
- Artificial Analysis Coding Agents0.684第 1 名，共 22 个
- Arena — Code1786第 3 名，共 109 个
- Arena — Text1471第 45 名，共 306 个
- Arena — Vision1268第 35 名，共 128 个
名次是各榜自己的：榜单公布了名次就用它的，没公布就按该榜分数排。进度条表示在这个榜里排在多少模型前面。不同榜的分数不能相互比较。
不同推理强度下的成绩
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
只测了一档的榜
- Arena — Agent · agentmax0.125
- Arena — Textxhigh1471
- Arena — Visionxhigh1268
同一个模型在不同推理强度下的成绩。条形从 0 画到该榜的最高分，每个榜单独看，不要跨榜比较。
这个场景参考哪些榜
每一栏都是一张榜单的原始排名，原样照搬，不取平均。两栏结论打架，往往是因为它们测的根本不是一件事。
模型
比较模型本身。Artificial Analysis 按完成的任务打分；Arena 根据真实使用中工具调用是否可靠、任务是否完成、是否听从指挥来打分。
执行框架
同一批数据换个角度看：比较的是驱动模型的智能体框架。HarnessTax 让每个模型都在每个框架里跑一遍，两行之间的差距只来自框架；Artificial Analysis 覆盖的框架更多，但大多只配自家模型。