前沿AI大模型双盲评测榜单

Arena 的智能体模式（Agent Mode）会将每一次真实的会话路由给一个随机选择的模型，并观察该模型实际执行任务的表现。当前的智能体排行榜根据模型在数百万次真实的、野外的智能体模式交互中作为“协调器（Orchestrator）”（即决定调用哪些工具，如 bash、网页搜索、获取页面、写入文件等的主模型）的表现进行排名。

与让用户在两个并排的回答中投票不同，智能体模式收集单线程的用户反馈，并根据模型在执行真实任务期间的实际表现进行评分。

大多数 Arena 排行榜都是基于成对的人类投票：您看到两个匿名的回答并选择较好的那个，评分来自这些两两对决。智能体排行榜在以下三个方面有所不同：

• 采用单线程轨迹，而非对决： 在智能体模式下，用户在长生命周期的线程中与单个智能体进行交互，有时长达数百个回合。而在以前，用户在对决中同时与两个模型交互。
• 结合显式反馈与隐式信号，而非仅依赖显式反馈： 以前我们使用投票（一种明确表达的显式反馈）来计算排行榜。现在，Agent Arena 会测量多种隐式行为信号，例如自然语言的赞扬与抱怨、工具幻觉等，以计算出超越单纯显式反馈的综合排行榜。
• 采用名为“因果追踪 (Causal Tracing)”的新方法，而非 Bradley-Terry 回归： 我们之前的排行榜都使用 Bradley-Terry 回归来计算模型得分。在智能体模式中，我们引入了“因果追踪”方法，即从交互轨迹中挖掘信号，然后利用因果推断技术来计算智能体不同子组件的干预效应（Treatment Effects）。最终的排行榜报告的是使用特定模型相比于平均模型的因果效应。

由于智能体模式将每个会话随机分配给不同的模型，我们可以通过观察模型行为来推断其因果干预效应。对于每个信号，我们计算每个模型的得分，并将其表示为与代表平均模型的随机基线相比的百分点差异。这种针对每个模型、每个信号的对比即为净改善度 (Net Improvement)：即换用特定模型后，某种行为改善或恶化的程度。正值表示高于平均水平，负值表示低于平均水平。需要注意的是，随着平均模型越来越强，基准线也会随之提高，因此任何特定模型的净改善度可能会下降。这意味着排行榜是实时动态的，反映了模型相对于所有实验室最新旗舰模型的表现。

主排名是模型在所有信号上的净改善度的加权平均值，因此每个信号都拥有一票。目前，这个平均值是等权重的，但我们未来可能会做出调整。我们还显示了每个数字的 95% 置信区间，这样您就可以看出两个模型是真的存在实力差距，还是过于接近以至于无法断定输赢。

“好”和“坏”是根据每个信号自身的天然方向定义的。对于某些信号，数值越高越好（例如成功执行的修正、确认的成功）；而对于另一些信号，数值越低越好（例如较少的工具幻觉）。排行榜始终对数值进行定向和配色，使得绿色始终代表表现良好，无需用户自行换算。

要深入了解我们如何挖掘轨迹和计算干预效应，请参阅官方的 方法论撰写 (Methodology Write-up)。

排行榜上的每个分数都是一个干预效应（Treatment Effect），表示如果用特定协调器替换平均协调器，在各个信号上所能获得的改善。绿色高亮表示该模型优于典型模型，红色高亮表示劣于典型模型，接近零的分数表示处于平均水平。因此，7% 表示明显高于平均水平，而 -3% 表示略低于平均水平。

每个模型旁边的粗体大字是其综合评分：它在每个信号上的百分比平均值。每个信号列显示了该模型在这一特定行为上的百分比，便于您发现模型的优势与劣势。

数字后面的小“±”是 95% 置信区间，表示基于目前收集的数据我们的把握程度。例如，5% ± 2% 的得分实际意味着“大约在 3% 到 7% 之间”。当两个模型的范围重叠较多时，应将它们视为基本持平，而不要过分纠结于具体名次。

需要记住的一点是：对于少数信号，数值越低反而是越好的结果（例如减少调用不存在的幻觉工具）。排行榜始终将好的一向着色为绿色，因此您可以直接将绿色理解为“表现良好”，而无需在脑海中进行数学换算。

信号是从真实会话轨迹中评分的单个独立、可测量的行为。每个信号都捕获了做好工作的不同维度，主分数是所有这些信号的等权平均值。当前的信号包括：

• 确认成功率 (Confirmed Success)： 用户显式确认任务完成的频率。基于交互轨迹中最终的显式任务批准/不批准而构建。数值越高越好。
• 好评/差评比 (Praise vs Complaint)： 在任务中，用户表达的显式积极内容是否多于消极内容。这隔离了实际工作过程中用户的自然语言满意度，独立于按钮点击。数值越高越好。
• 可控性 (Steerability)： 当用户提出异议或纠正模型时，模型的紧接着的下一次回复是否能够真正落实（接受、延伸或重定向），而不是被拒绝或毫无进展。数值越高越好。
• Bash 恢复率 (Bash Recovery)： 当命令由于模型自身的错误而执行失败后，模型需要尝试多少次重试才能恢复到正常工作的命令。数值越高越好。
• 工具幻觉率 (Tool Hallucination)： 模型调用不存在的工具（虚构的工具名称、格式错误的垃圾信息，或混入工具字段的杂乱推理文本）的频率。数值越低越好。

会的。排行榜是一个动态的测量系统，而不是一次性的静态评分。它随着新的真实智能体模式会话的接入而刷新，因此随着我们收集到更多关于模型行为的证据，模型的分数可能会发生变动。您随时可以查看“上次更新”的日期以及当前排行榜背后的观测数据量。

当新模型加入时，排名也可能会发生移动。每个分数都是相对于平均模型进行测量的，因此加入一个强大的新模型会抬高其他人比较的门槛，而加入一个较弱的模型则会降低门槛。这意味着即使模型自身行为没有发生改变，它的分数也可能会因为竞争对手的变化而出现微调。这就像有更聪明的对手加入时，国际象棋比赛会变得更难一样：您的棋艺没有变，但对手的水平变了。

随着更多会话的积累，误差范围也会缩小，模型之间微小的实力差距随着时间的推移会变得更加清晰。

是的。当前的集合只是一个起点，评估框架在设计上是可扩展的。我们已经追踪了几个尚未计入主评分的附加行为（例如清洁延续、不批准、会话内重试和工具错误率），并计划在每个新信号得到验证后，逐步将它们纳入进来以丰富评估体系。