37万次真实会话实测Agent榜单：GPT-5.5High第一，Claude最稳，真实干活能力看这五项核心指标

以往模型在SWE-Bench跑80分，实际干活十次通不过三次。榜单与现实的落差，是Agent开发者长期踩的坑。

6月4日，Arena.ai发布Agent Arena排行榜，用373,431次真实会话的数据，给18个主流模型的Agent能力排了个座次。

战力榜首：GPT-5.5 High，前五被OpenAI和Anthropic包揽

先看总榜。Agent Arena的排名依据是“净改进”（Net Improvement），用因果推断方法算出每个模型相对于随机基线的性能提升幅度。正值代表比随机选择更好，负值说明不如随机。

GPT-5.5High以+10.66%的净改进排在第一，Claude Opus 4.7 Thinking紧跟其后，+9.47%。GPT-5.4High排在第三，+8.92%。Claude Opus 4.6第四，+8.14%。GPT-5.5标准版第五，+7.47%。前五全是OpenAI和Anthropic的模型，这两家在Agent能力上的领先优势相当明显。

国产模型方面，GLM-5.1（智谱）以+3.38%排在第八，在Bash恢复上表现亮眼，达到10.37%，接近第一梯队的水平。

Kimi K2.6和DeepSeek V4 Pro也在总榜单上，不过在分项指标排名上各有短板。整体看，国产模型在工具稳定性上还有提升空间，但在任务恢复能力上已经不算弱了。

分项指标上的差异比总榜更有意思。Claude Opus 4.7 Thinking在“确认成功”上的净改进达到7.95%，是所有模型里最高的，说明它在把任务真正做完这件事上最稳。GPT-5.5 High在“表扬与抱怨”上的净改进以14.95%大幅领先，比Opus 4.7 Thinking的12.18%高出一截。

Agent Arena：让模型离开考场，回到真实世界

传统基准（SWE-Bench、MMLU等）测的是标准化题目，一次问答、一次打分。

但到了实际工作中，Agent要面对多轮交互、工具调用失败、shell报错、用户中途改需求等不同任务，传统基准覆盖不了这些维度，分数自然也说明不了什么。

Agent Arena的做法不同。它没有预设题目，而是记录真实用户在平台上使用Agent干活的完整会话。每次会话包含多轮，用户在过程中可以批准、纠正、表达不满，Agent则要应对shell报错、工具调用失败等真实环境反馈。

一个会话记录的不只是最终结果，还有每一轮的工具调用链、bash命令的退出码以及用户对结果的现实评价。

这次Agent Arena排行榜，共记录了373,431次会话，有18个模型参与评估。仅最近一周就记录了160,480个任务、206万次工具调用，Agent生成的代码共4,030万行。任务类型覆盖了开发者日常的绝大部分场景，代码编写占17.5%、研究查找占10.8%、规划头脑风暴占10.6%、图片视频处理占10.2%、文档创建占9.1%、代码调试占8.9%，基本上覆盖了开发者日常会使用的所有场景。

排行榜用五个独立分项指标来拆解Agent表现，每个指标对应真实工作中的一项核心能力：

确认成功：用户最终有没有点下“批准”（Approve）按钮。最直接的成败指标，统计的是每次会话中用户对最终结果的判定。Claude Opus 4.7 Thinking在这个信号上以+7.95%领先。

表扬与抱怨：系统自动识别用户消息中的正面和负面表达。表扬多于抱怨则任务记为成功。GPT-5.5 High以+14.95%排第一，说明它产出的结果最让用户满意。

可控性：Agent被用户纠正后能不能改对。现实中错误难免，能不能被顺利纠回来才是硬功夫。GPT-5.5 High以+12.03%领先，GLM-5.1这项是-3.41%，被纠正后容易回不来。

Bash恢复：统计Agent执行bash报错后需要多少轮才能恢复正常，放弃恢复会额外扣分。GPT-5.5 High（+17.73%）和Claude Sonnet 4.6（+17.23%）最强。

Grok 4.3这项是-89.43%，几乎不具备恢复能力。Gemma 4 31B也是-21.86%。

工具幻觉：Agent是否调用不存在的工具、编造工具名、或把内部标记泄露到工具字段。一旦出现直接标记失败。

这个信号上各模型分化严重：GPT-5.5和Kimi K2.6都控制在+1.52%，DeepSeek V4 Pro是-5.48%，Gemma 4 31B达到-32.64%。

Agent Arena测试的方法论核心是因果推断：

把"用哪个模型"当成一个随机变量——用户被随机分配模型，然后对比不同模型在相同类型任务上的表现差异。

排行榜上的"净改进"就是这个差值。这个方法的好处是模型没法靠背题刷分，每次任务都是真实用户随机分配的，跟考试一样公平。

榜单背后，藏着几个容易被忽略的信号

看分项指标能发现明显的风格分化。

简单的结论：Claude偏稳，GPT偏“让人开心”。

用户行为数据也揭示了一些有意思的现象。Agent Arena的统计显示，45%的用户开场就把整个任务直接丢给Agent（“交付完整成果”模式），只有28%是来找建议的。

但Agent第一次回复后，用户收回控制权的频率是再次授权的2.3倍。也就是说，用户一开始很愿意放手，看到初步结果后反而更谨慎了。信任没有想象中容易建立。

被纠正后的Agent还有一个普遍现象：虚张声势。

数据显示，Agent被纠正后有26%的情况听起来自信满满，但真正拒绝修改的只有2.7%，敢说用户错了的只有1.4%。大部分Agent的应对策略是嘴上应着“好的我改”，实际改没改对另说。开发者在调试Agent行为时这个现象值得留意。

成本也是一个容易被忽略的维度。Agent Arena统计了每次会话的实际花费，发现有些模型理论定价低但实际成本更高。行为模式差异导致：有的模型每轮调用工具更多、跑的步骤更长，或者让用户反复操作才能满意，最终账单比预期高。选模型单看Token单价容易掉坑。

排名≠生产力，选模型要看功能需求

排行榜是参考。不同场景下各信号的权重完全不同。

写代码和调bug的场景，Bash恢复和确认成功应该优先看。shell报错是家常便饭，恢复能力直接决定体验。

从数据看，GPT-5.5 High和Claude Sonnet 4.6在Bash恢复上表现最稳定，Grok 4.3和Gemma系列在这方面有明显短板。

做内容生成或需要频繁跟非技术人员协作的场景，可控性和表扬与抱怨更关键。需求来回调整多，模型能不能被顺利纠回来直接影响效率。GPT-5.5系列在可控性上大幅领先（+12.03%），Claude Opus 4.7 Thinking也不错（+9.04%）。GLM-5.1可控性是负值（-3.41%），这个场景下要慎重。

如果你在意成本，还需要结合Tool Hallucination和会话长度来算总账。工具幻觉高的模型会导致大量无效调用，实际花费远超理论定价。DeepSeek V4 Pro（-5.48%）和Gemma 4 31B（-32.64%）在这个维度上是明显短板。

模写在最后

Agent Arena榜单，说明了Agent评测正在过去的“考试模式”转向“工作考核模式”，榜单结果也更接近真实的用户体验。37.3万次真实会话数据评测出的结果，可以作为选型参考。但最终选择哪个模型更适合，还要回到自己的实际场景中才知道。

你目前的主力Agent模型是哪一款？它在Bash恢复和可控性上表现怎么样？如果已经在实际项目里踩过“榜单高分、干活掉链子”的坑，留言聊聊，看看大家踩的是不是同一款。

参考链接：

https://arena.ai/leaderboard/agent

文章来自于微信公众号 "51CTO技术栈"，作者 "51CTO技术栈"