AI智能体能力排行榜

智能体 · agent · 6 项细分指标

本榜收录智能体（agent）维度在榜的 58 个模型，当前榜首为 Claude Opus 5.5 (Max)（Anthropic）。与其他维度不同，该维度数据源不给出单一 Elo 综合分，而是按官方分榜给出 6 项细分指标——净改进、确认成功、赞赏比、可操控性、Bash 恢复、工具幻觉，每项都带置信区间。前 5 项均为越高越好，工具幻觉率为越低越好。名次由数据源给出的综合排名决定。

数据同步时间： 每 4 小时同步一次 本榜 58 个模型 共 11 个能力维度 排序依据：数据源综合排名
文本对话 编程开发 视觉理解 文生图 图像编辑 文生视频 图生视频 文档理解 联网搜索 智能体 视频编辑
AI垂直社区 https://www.ai-club.cn/rank/arena/agent
智能体 · 数据同步时间：2026-11-08 00:25 · 每 4 小时同步一次 · 58 个模型

智能体 · 完整榜单（58 个模型）

按数据源综合排名
本维度不提供单一 Elo 综合分，改为 6 项细分指标： 净改进高好确认成功高好赞赏比高好可操控性高好Bash 恢复高好工具幻觉低好 。指标条按该项组内最高分归一化（组内第一为满格），因此只适合同一指标纵向比较。
1 AClaude Opus 5.5 (Max) Anthropic · 美国美国
净改进高好 20.1±2.09
确认成功高好 21.1±3.21
赞赏比高好 42.9±7.87
可操控性高好 18.4±2.02
Bash 恢复高好 15±0.43
工具幻觉低好 0.7±0.19
2 GGemini 4 Carbon (High) Google · 美国美国
净改进高好 16.7±0.77
确认成功高好 18±1.26
赞赏比高好 40.1±2.8
可操控性高好 19.3±0.71
Bash 恢复高好 -5.5±0.74
工具幻觉低好 0.5±0.2
3 AClaude Sonnet 5.5 (Max) Anthropic · 美国美国
净改进高好 15.4±2.78
确认成功高好 20.2±4.41
赞赏比高好 29.7±10.79
可操控性高好 12.4±2.91
Bash 恢复高好 12.6±0.68
工具幻觉低好 0.8±0.14
4 OGPT 6 Astra (Max) OpenAI · 美国美国
净改进高好 14.7±2.07
确认成功高好 14.2±3.36
赞赏比高好 32.7±7.6
可操控性高好 14.3±1.91
Bash 恢复高好 8±1.15
工具幻觉低好 0.9±0.08
5 AClaude Fable 5.1 (Max) Anthropic · 美国美国
净改进高好 13.9±1.87
确认成功高好 13.3±3.56
赞赏比高好 28±6.89
可操控性高好 15.3±1.91
Bash 恢复高好 10±0.89
工具幻觉低好 0.8±0.13
6 OGPT 6.1 Sol (Max) OpenAI · 美国美国
净改进高好 12.5±1.11
确认成功高好 12.2±1.96
赞赏比高好 27.4±4
可操控性高好 13.3±1.1
Bash 恢复高好 5.1±0.69
工具幻觉低好 0.9±0.08
7 OGPT-6.1 Terra (Max) OpenAI · 美国美国
净改进高好 11.4±1.4
确认成功高好 11.1±2.74
赞赏比高好 17.3±4.82
可操控性高好 15.2±1.38
Bash 恢复高好 13.5±0.38
工具幻觉低好 0.9±0.08
8 GGemini 4 Argon (High) Google · 美国美国
净改进高好 10.5±0.84
确认成功高好 13.4±1.53
赞赏比高好 22.9±2.89
可操控性高好 13.5±0.96
Bash 恢复高好 -5.6±1.15
工具幻觉低好 0.4±0.15
9 MMuse Wonder Full (Max) Meta · 美国美国
净改进高好 9.4±0.94
确认成功高好 11.4±1.8
赞赏比高好 16.3±3.04
可操控性高好 10.7±1.06
Bash 恢复高好 8.4±0.44
工具幻觉低好 -0.2±1.24
10 AClaude Fable 5 (High) Anthropic · 美国美国
净改进高好 7.8±1.11
确认成功高好 5.6±2.2
赞赏比高好 15.1±3.6
可操控性高好 8.8±1.38
Bash 恢复高好 10.2±0.88
工具幻觉低好 0.6±0.2
11 AClaude Opus 5 (Max) Anthropic · 美国美国
净改进高好 7.7±1.24
确认成功高好 11.4±2.38
赞赏比高好 11.9±4.11
可操控性高好 5.3±1.59
Bash 恢复高好 10±0.58
工具幻觉低好 0.8±0.09
12 OGPT 6 Sol (Max) OpenAI · 美国美国
净改进高好 6.8±1.54
确认成功高好 3.5±3.42
赞赏比高好 10.5±5.11
可操控性高好 10±1.71
Bash 恢复高好 11.3±0.55
工具幻觉低好 0.9±0.08
13 THy4 Tencent · 中国中国
净改进高好 5.4±1.71
确认成功高好 7.4±3.22
赞赏比高好 7.3±6.05
可操控性高好 6.6±2.09
Bash 恢复高好 6.6±1.15
工具幻觉低好 -0.4±0.7
14 MKimi K3.1 Pro (Max) Moonshot · 中国中国
净改进高好 5.3±1.28
确认成功高好 4±2.83
赞赏比高好 8.5±4.02
可操控性高好 6.6±1.59
Bash 恢复高好 7.8±0.56
工具幻觉低好 0.9±0.08
15 OGPT 5.6 Sol (xHigh) OpenAI · 美国美国
净改进高好 4.6±1.04
确认成功高好 2±2.25
赞赏比高好 5.7±3.26
可操控性高好 6.3±1.39
Bash 恢复高好 11.3±0.66
工具幻觉低好 0.9±0.08
16 XMiMo V2.6 Pro Xiaomi · 中国中国
净改进高好 2.7±0.91
确认成功高好 5.2±1.95
赞赏比高好 4.8±2.79
可操控性高好 1±1.26
Bash 恢复高好 2.2±0.66
工具幻觉低好 -0.1±0.24
17 SGrok 4.7 (xHigh) SpaceXAI · 美国美国
净改进高好 2.7±1.46
确认成功高好 5.3±3.1
赞赏比高好 2.9±4.56
可操控性高好 -1.8±2.06
Bash 恢复高好 9.4±0.62
工具幻觉低好 0.9±0.08
18 GGemini 3.8 Flash (High) Google · 美国美国
净改进高好 2.6±0.83
确认成功高好 1.2±1.77
赞赏比高好 5.3±2.52
可操控性高好 -0.2±1.17
Bash 恢复高好 10±0.39
工具幻觉低好 0.4±0.16
19 MMuse Spark 1.3 (Max) Meta · 美国美国
净改进高好 2.5±0.83
确认成功高好 4±1.78
赞赏比高好 2.1±2.53
可操控性高好 3.4±1.11
Bash 恢复高好 1.9±0.78
工具幻觉低好 0.8±0.09
20 AClaude Sonnet 5 (High) Anthropic · 美国美国
净改进高好 2.4±1.17
确认成功高好 0±2.61
赞赏比高好 -1.1±3.51
可操控性高好 4±1.71
Bash 恢复高好 15.1±0.56
工具幻觉低好 0.5±0.14
21 MMuse Wonder (Max) Meta · 美国美国
净改进高好 2.4±1.35
确认成功高好 6.3±2.93
赞赏比高好 -0.3±4.07
可操控性高好 3.1±1.82
Bash 恢复高好 5±0.88
工具幻觉低好 -0.7±1.61
22 DDeepSeek-V4.1-Flash-20261017 (Max) DeepSeek · 中国中国
净改进高好 2.4±0.57
确认成功高好 3.4±1.32
赞赏比高好 1.9±1.74
可操控性高好 3.4±0.74
Bash 恢复高好 3.2±0.31
工具幻觉低好 0.3±0.11
23 OGPT-6 Luna (Max) OpenAI · 美国美国
净改进高好 1.9±0.44
确认成功高好 -0.2±1
赞赏比高好 -1.2±1.36
可操控性高好 4.2±0.57
Bash 恢复高好 9.6±0.28
工具幻觉低好 0.9±0.08
24 ZGLM-5.3 (Max) Z.ai · 中国中国
净改进高好 1.1±0.8
确认成功高好 3.2±1.75
赞赏比高好 4.4±2.38
可操控性高好 -0.9±1.13
Bash 恢复高好 -5.4±0.83
工具幻觉低好 0.9±0.08
25 MKimi K3 (Max) Moonshot · 中国中国
净改进高好 0.8±0.58
确认成功高好 3.7±1.3
赞赏比高好 1.4±1.72
可操控性高好 0.1±0.84
Bash 恢复高好 -4.7±0.64
工具幻觉低好 0.9±0.08
26 THy4 preview Tencent · 中国中国
净改进高好 0.7±0.69
确认成功高好 4.5±1.56
赞赏比高好 0.2±2.14
可操控性高好 0.1±0.98
Bash 恢复高好 -3.1±0.5
工具幻觉低好 0.1±0.2
27 ZGLM 5.2 (Max) Z.ai · 中国中国
净改进高好 0.6±0.77
确认成功高好 2.5±1.69
赞赏比高好 2.3±2.3
可操控性高好 -0.6±1.19
Bash 恢复高好 -4.5±0.77
工具幻觉低好 0.9±0.08
28 AClaude Haiku 5.5 (High) Anthropic · 美国美国
净改进高好 0.6±1.03
确认成功高好 1.4±2.47
赞赏比高好 -4.2±3.1
可操控性高好 3.3±1.26
Bash 恢复高好 7.4±0.56
工具幻觉低好 -1.5±0.69
29 AQwen3.8 Max Alibaba · 中国中国
净改进高好 0.5±0.66
确认成功高好 4.3±1.43
赞赏比高好 0.2±1.99
可操控性高好 -0.2±0.95
Bash 恢复高好 -2.9±0.68
工具幻觉低好 -0.7±0.22
30 SGrok 4.6 (xHigh) SpaceXAI · 美国美国
净改进高好 0.5±1.18
确认成功高好 -1.9±2.63
赞赏比高好 -1.9±3.42
可操控性高好 0±1.69
Bash 恢复高好 9.8±1.02
工具幻觉低好 0.9±0.08
31 XMiMo V2.6 Flash Xiaomi · 中国中国
净改进高好 0.2±1.13
确认成功高好 5.5±2.26
赞赏比高好 -0.5±3.15
可操控性高好 2.1±1.38
Bash 恢复高好 -4.1±0.94
工具幻觉低好 -4.2±2.17
32 DDeepSeek-V4-Pro (High, 20260813) DeepSeek · 中国中国
净改进高好 -0.3±1.7
确认成功高好 -2.8±3.82
赞赏比高好 0.7±5.17
可操控性高好 -1.1±2.4
Bash 恢复高好 1.8±1.29
工具幻觉低好 0.9±0.08
33 OGPT-5.6 Terra (xHigh) OpenAI · 美国美国
净改进高好 -1.5±0.78
确认成功高好 -7.3±1.8
赞赏比高好 -1.6±2.33
可操控性高好 0.8±1.09
Bash 恢复高好 0.8±0.77
工具幻觉低好 0.9±0.08
34 GGemini 3.7 Flash (High) Google · 美国美国
净改进高好 -1.6±0.88
确认成功高好 -3.1±1.94
赞赏比高好 -2.1±2.38
可操控性高好 -5.7±1.4
Bash 恢复高好 6.3±0.86
工具幻觉低好 0.6±0.14
35 OGPT-6 Luna (Medium) OpenAI · 美国美国
净改进高好 -1.8±0.53
确认成功高好 -6.2±1.3
赞赏比高好 -6.8±1.55
可操控性高好 0.4±0.73
Bash 恢复高好 6.9±0.42
工具幻觉低好 0.9±0.08
36 ZGLM 5.3 Flash Z.ai · 中国中国
净改进高好 -2.4±0.69
确认成功高好 2.3±1.61
赞赏比高好 -4.1±1.91
可操控性高好 -4.2±1.09
Bash 恢复高好 -11.3±0.85
工具幻觉低好 0.9±0.08
37 MMiniMax M3.1 Flash MiniMax · 中国中国
净改进高好 -2.8±1.54
确认成功高好 1.1±3.79
赞赏比高好 -7.6±4.54
可操控性高好 -4.1±2.27
Bash 恢复高好 -5±0.96
工具幻觉低好 0.3±0.22
38 SStep 5 Preview StepFun · 中国中国
净改进高好 -2.9±1.4
确认成功高好 -0.5±3.21
赞赏比高好 -5.2±4.1
可操控性高好 -0.9±1.89
Bash 恢复高好 -11.7±1.4
工具幻觉低好 -0.5±0.38
39 AQwen3.8 27B Alibaba · 中国中国
净改进高好 -4.3±0.86
确认成功高好 -2.4±1.95
赞赏比高好 -6±2.45
可操控性高好 -5.1±1.39
Bash 恢复高好 -11.7±1.24
工具幻觉低好 0.1±0.19
40 AQwen3.8 Flash Next Alibaba · 中国中国
净改进高好 -4.4±0.73
确认成功高好 0.4±1.74
赞赏比高好 -5.6±2.09
可操控性高好 -3±1.08
Bash 恢复高好 -21.8±0.76
工具幻觉低好 -0.9±0.19
41 GGemini 3.1 Pro Preview Google · 美国美国
净改进高好 -4.4±1.41
确认成功高好 -11.9±2.82
赞赏比高好 -1.6±3.65
可操控性高好 -7.3±2.71
Bash 恢复高好 1.7±3.21
工具幻觉低好 0±0.61
42 RBeam 1.0 501B A23B Reflection · 未知未知
净改进高好 -5.4±2.51
确认成功高好 -10.6±5.86
赞赏比高好 -5.9±7.19
可操控性高好 -8.2±3.59
Bash 恢复高好 3.1±2.82
工具幻觉低好 -1±0.89
43 MMistral Large 4 Mistral · 法国法国
净改进高好 -5.5±1.93
确认成功高好 -4.3±4.66
赞赏比高好 -11.8±5.19
可操控性高好 -5.3±3.06
Bash 恢复高好 -5.9±2.13
工具幻觉低好 -0.2±1.05
44 OGPT-6 Luna (Low) OpenAI · 美国美国
净改进高好 -5.9±0.7
确认成功高好 -15.3±1.83
赞赏比高好 -10.4±1.93
可操控性高好 -2.9±0.99
Bash 恢复高好 1.9±0.73
工具幻觉低好 0.9±0.08
45 AQwen3.7 Max Alibaba · 中国中国
净改进高好 -6.5±1.21
确认成功高好 -10.3±2.73
赞赏比高好 -9.4±3.09
可操控性高好 -11.1±2.2
Bash 恢复高好 3.6±2.44
工具幻觉低好 -0.3±0.42
46 AQwen3.7 Plus Alibaba · 中国中国
净改进高好 -7.5±1.56
确认成功高好 -9.2±3.63
赞赏比高好 -11.3±3.89
可操控性高好 -11.3±2.67
Bash 恢复高好 0.8±2.84
工具幻觉低好 -2.2±1.26
47 MMuse Spark 1.1 Meta · 美国美国
净改进高好 -7.7±0.66
确认成功高好 -6.5±1.55
赞赏比高好 -13.4±1.52
可操控性高好 -14.1±1.31
Bash 恢复高好 -2.4±1.45
工具幻觉低好 0.9±0.09
48 MMuse Spark 1.2 (xHigh) Meta · 美国美国
净改进高好 -7.7±0.85
确认成功高好 -9.2±2.14
赞赏比高好 -12.8±2.14
可操控性高好 -11.5±1.46
Bash 恢复高好 -3.8±1.12
工具幻觉低好 0.7±0.21
49 THy3 Tencent · 中国中国
净改进高好 -7.7±1.45
确认成功高好 -11.7±3.11
赞赏比高好 -8.7±3.72
可操控性高好 -2.8±2
Bash 恢复高好 -13.7±3.55
工具幻觉低好 -4.7±2.3
50 XMiMo V2.5 Pro Xiaomi · 中国中国
净改进高好 -9±1.02
确认成功高好 -10.8±2.38
赞赏比高好 -14±2.44
可操控性高好 -14.4±2.05
Bash 恢复高好 -0.8±2.04
工具幻觉低好 -1±0.37
51 SSpark X2.6 Synlan · 未知未知
净改进高好 -9.9±1.38
确认成功高好 -7.9±3.76
赞赏比高好 -19.5±3.2
可操控性高好 -10.9±2.2
Bash 恢复高好 -8.7±2.32
工具幻觉低好 -2±1.26
52 MMiniMax M3 MiniMax · 中国中国
净改进高好 -10.4±1.19
确认成功高好 -17.7±2.87
赞赏比高好 -16.1±2.63
可操控性高好 -10.6±2.01
Bash 恢复高好 -2.1±1.8
工具幻觉低好 -1.4±2.11
53 MMistral Medium 3.5 Mistral · 法国法国
净改进高好 -13.3±1.69
确认成功高好 -17±3.99
赞赏比高好 -18.6±3.68
可操控性高好 -16.2±2.99
Bash 恢复高好 -7.3±3.91
工具幻觉低好 -4.5±2
54 NNemotron 3 Ultra Nvidia · 美国美国
净改进高好 -15.6±3.3
确认成功高好 -23.4±7.69
赞赏比高好 -19.1±7.23
可操控性高好 -18.3±6.07
Bash 恢复高好 -15.4±12.02
工具幻觉低好 -1.7±2.42
55 NNVIDIA-Nemotron-3.5-Super-VL-120B-A12B (NVFP4) Nvidia · 美国美国
净改进高好 -15.9±0.88
确认成功高好 -18.6±2.31
赞赏比高好 -22.3±1.85
可操控性高好 -17.1±1.41
Bash 恢复高好 -12.8±1.56
工具幻觉低好 -7.3±1.4
56 TInkling Thinky · 中国中国
净改进高好 -16.3±1.49
确认成功高好 -27±3.9
赞赏比高好 -24.6±2.58
可操控性高好 -20.5±3.37
Bash 恢复高好 1.4±2.97
工具幻觉低好 -2±1.42
57 TInkling Small Thinky · 中国中国
净改进高好 -17±1.87
确认成功高好 -26.4±4.88
赞赏比高好 -22.8±3.54
可操控性高好 -25.8±3.64
Bash 恢复高好 2.1±3
工具幻觉低好 -2.8±1.53
58 USolar Pro 4 Upstage · 未知未知
净改进高好 -21.8±2.14
确认成功高好 -30.8±5.84
赞赏比高好 -24.2±3.97
可操控性高好 -17±3.51
Bash 恢复高好 -44.8±7.68
工具幻觉低好 -3.7±1.77
高好 为数值越大越好，低好 为数值越小越好； ± 后为该指标的置信区间，区间越宽说明样本越少，判断越需谨慎。 厂商 logo 与国旗依据数据源给出的厂商标识匹配，未收录 logo 的厂商显示首字母占位。

11 个能力维度速览

每个维度独立成榜、独立收录，下为该维度当前榜首与在榜模型数，点击可直达。

文本对话 Gemini 4 Carbon (High) Google · 100 个模型 · Elo 1539.1 编程开发 Claude Opus 5.5 (Max) Anthropic · 100 个模型 · Elo 1814.3 视觉理解 Claude Fable 5 (High) Anthropic · 100 个模型 · Elo 1325.6 文生图 GPT-Image-2.5 Sunburst OpenAI · 84 个模型 · Elo 1428.9 图像编辑 GPT-Image-2.5 Sunburst OpenAI · 63 个模型 · Elo 1517.4 文生视频 Gemini Omni 1.2 Flash Google · 50 个模型 · Elo 1541.4 图生视频 Gemini Omni 1.2 Flash Google · 50 个模型 · Elo 1502.4 文档理解 Claude Fable 5.1 (Max) Anthropic · 46 个模型 · Elo 1515.5 联网搜索 Qwen3.8 Max Alibaba · 42 个模型 · Elo 1259.7 智能体当前 Claude Opus 5.5 (Max) Anthropic · 58 个模型 视频编辑 Wan 3.0 Alibaba · 11 个模型 · Elo 1423.2

本榜国家与厂商分布

智能体维度：58 个模型，来自 19 家厂商（按数量列前 8 家）

本维度在榜 58 个模型，来自 19 家厂商，厂商分布较分散，数量最多的 OpenAI 也只占 16%。国家分布上，中国厂商 23 席、美国厂商 30 席；中国厂商占本维度 40%，高于全部 11 个维度的整体水平（32%）。该维度不提供单一 Elo 综合分，而是拆成 6 项细分指标呈现：净改进、确认成功、赞赏比、可操控性、Bash 恢复与工具幻觉，其中工具幻觉为越低越好，其余为越高越好；名次由数据源给出的综合排名决定。榜首 Claude Opus 5.5 (Max) 在 6 项指标中有 3 项位列第一。

美国美国
30 席筛选 ›
中国中国
23 席筛选 ›
未知未知
3 席筛选 ›
法国法国
2 席筛选 ›
O OpenAI
9 个模型筛选 ›
A Anthropic
7 个模型筛选 ›
G Google
5 个模型筛选 ›
M Meta
5 个模型筛选 ›
A Alibaba
5 个模型筛选 ›
T Tencent
3 个模型筛选 ›
X Xiaomi
3 个模型筛选 ›
Z Z.ai
3 个模型筛选 ›

榜单说明

排序依据：按 Elo 得分降序。得分由真实用户在不知模型身份的前提下对两组回答二选一（盲评对战），经 Elo 算法累积计算， 代表相对胜率而非绝对能力值。置信区间越小表示对战样本越充足；投票数为该模型的累计有效对战场次。 不同维度之间的分数不可横向比较（例如编程维度榜首约 1800 分、文本对话维度榜首约 1506 分，并不代表编程模型更强）。 国家标识依据模型归属厂商判定，同一厂商的多个版本归为同一国家。 数据来源：arena-ai-leaderboards 公开接口，最近抓取时间 2026-11-08 00:25:33，本站每日抓取快照并留存历史。 榜单仅反映真实用户偏好，不构成技术评测结论。 相关榜单：社区榜单（工具热度榜与开源模型下载榜）、 模型库（按厂商 / 参数 / 下载量筛选）。

常见问题

为什么这个维度没有 Elo 得分？
arena.ai 的智能体榜按任务结果与行为口径计分，不折算成对话榜那样的 Elo 总分。本站如实呈现原始字段，不做二次换算，以免用一个自定义公式造出数据源本身并不存在的分数。
6 项细分指标分别是什么？
净改进：任务完成后的整体收益；确认成功：任务结果被明确确认成功的比例；赞赏比：用户好评与投诉之比；可操控性：对指令与纠偏的响应程度；Bash 恢复：命令执行失败后自行恢复的能力；工具幻觉：错误调用或不存在的工具占比（越低越好）。
做自动化工作流该优先看哪几项？
优先看 Bash 恢复与工具幻觉：前者决定它在脚本、命令执行类任务上崩了能不能自己救回来，后者直接反映它会不会乱调工具；净改进与确认成功衡量的是任务是否真的被完成。
智能体能力强就等于能做自动化吗？
不完全。落地效果还取决于编排框架、工具描述质量与错误处理策略。模型是其中一环，系统的整体设计同样关键。