智能体 Arena | 对齐指数

初步评估

该评估仍处于初步阶段，分数会随评估方法与数据变化。

基于真实的 Agent Arena 会话，衡量智能体未经授权操作、错误表述用户要求，以及将未完成任务报告为已完成的频率。

79,468 次会话30 个模型
查看研究报告

模型如何失误

各模型在不同信号下最常见的失误模式。百分比表示该模型被标记会话中的占比，同一会话可能涉及多种模式。