基准

Agent Arena

评估大模型作为Agent执行任务能力的竞技场式评测平台

时间轴 (近 90 天)

10月29日

据视频引用的Agent Arena数据，Gemini 4在该排行榜上排名第八。

待验证50%

10月25日

月之暗面的Kimi K3.1 Pro Max登上Agent Arena智能体榜单第11位，结果基于全球用户超过4000次真实任务测试，净提升7.6%。

待验证50%

10月23日

Agent Arena 功能可在 Alibaba 环境中让最多五个模型并行处理同一任务，各自在独立 worktree 中运行，只将胜出者的代码应用到主工作区。

待验证50%

10月23日

Agent Arena 仍处于实验阶段，官方文档对“是否先看到 diff 再应用”存在矛盾表述。

待验证50%

10月1日

Gemini 4 Argon High版本登顶Text Arena，在Agent Arena排名第八，净提升分为7.92%，每项任务成本约0.62美元

已过期50%

据视频引用的Agent Arena数据，Gemini 4在该排行榜上排名第八。

月之暗面的Kimi K3.1 Pro Max登上Agent Arena智能体榜单第11位，结果基于全球用户超过4000次真实任务测试，净提升7.6%。

Agent Arena 功能可在 Alibaba 环境中让最多五个模型并行处理同一任务，各自在独立 worktree 中运行，只将胜出者的代码应用到主工作区。

Agent Arena 仍处于实验阶段，官方文档对“是否先看到 diff 再应用”存在矛盾表述。