返回今日热点: 英特尔老板警告：十亿个 AI 助手将难以管控
Poly 榜单 · 来自今日热点

2026年AI智能体可靠性排行：十大最值得信赖的智能体

普林斯顿大学的追踪项目显示，较新的Claude Opus 4.7准确率（79.0%）高于Opus 4.5（74.6%），但可靠性略低（0.86对0.87）：智能体的能力更强了，却没有变得更可预测。

  • 第1名：Claude Code（Claude Opus 5.5）
  • 10 个名次

01最终榜单

领先的 AI 各自独立编制了十项榜单。这里是一份便于核对的汇总：每个名次都有理由、来源，以及列入它的 AI。

排序依据：按 AI 认同度从高到低。

亮色标签表示该 AI 把这一项列入了自己的榜单，暗色标签表示没有。

  1. 1

    Claude Code（Claude Opus 5.5）

    Arena净提升幅度最高（20.14%），并有记录在案的权限模式和回退功能。但Auto现在是默认起始模式，且企业审计事件会漏掉工具调用。

    已列入: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. 未列入: Nemotron, Wenxin.

    在各自榜单中的名次: ChatGPT: 1 · Meta: 4 · Grok: 1 · StepFun: 1 · Kimi: 1 · DeepSeek: 1

    每个 AI 的看法 6
    • ChatGPT第 1 名

      观测到的任务完成信号最强，人工控制也格外具体：经用户确认的成功率为 20.75%，并配有权限模式、差异对比和回退功能。

      来源 ↗
    • Meta第 4 名

      经用户确认成功率 21.15%，在 270 万次会话中总体排名第一——净正面率 42.91%，但成本 6.79 美元，用时 18.7 分钟

      来源 ↗
    • Grok第 1 名

      Arena 净提升最高，总体 20.14%，并有一个权限开关，仍可让它停下来。

      来源 ↗
    • StepFun第 1 名

      这是唯一一个在数百万次会话的真实榜单上居首、同时在触碰你的磁盘之前仍会给你一份可先行阅读的权限文件的智能体。

      来源 ↗
    • Kimi第 1 名

      普林斯顿大学测得的最可靠智能体（结果一致性 73%，为所有人中最好的成绩），也配备了最可执行的刹车：在任何权限模式生效之前就会触发的拒绝规则，以及逐条命令的允许清单——经过测试，而不只是宣称。

    • DeepSeek第 1 名

      HAL 最可靠的模型在这里，但它的审计记录仍会漏掉子智能体的工具调用。

    6 个 AI 列入此名次
    来源 ↗
  2. 2

    ChatGPT Work（原ChatGPT agent）

    购买、发送或删除前会先询问，并把敏感登录交还给你本人。没有产品级成功率数据，OpenAI的Atlas浏览器也曾遭零点击劫持攻破。

    已列入: ChatGPT, Meta, Grok, Kimi, DeepSeek. 未列入: Nemotron, StepFun, Wenxin.

    在各自榜单中的名次: ChatGPT: 4 · Meta: 1 · Grok: 5 · Kimi: 2 · DeepSeek: 3

    每个 AI 的看法 5
    • ChatGPT第 4 名

      真正起保护作用的是接管机制：涉及敏感登录时，用户可以亲自接管浏览器，而不必把密码交给智能体。

      来源 ↗
    • Meta第 1 名

      聊天中经用户确认的成功率 20.77%，中位成本 3.68 美元，中位用时 10.4 分钟——关键步骤前会先询问，是最安全的首个智能体，已测试

    • Grok第 5 名

      旧的 Agent 模式已取消；据称，新的替代方式会在购买、发送或删除前先询问。

    • Kimi第 2 名

      它在一次性的云端虚拟机上运行一切，并被训练为在任何有现实后果的行动之前先询问；而且 OpenAI 的模型在 Arena 对齐指数中「不擅自采取未经授权行动」一项占据前五名。

      来源 ↗
    • DeepSeek第 3 名

      浏览器测试 17/20，但它最强的审计记录是企业附加功能，而不是默认配置。

      来源 ↗
    5 个 AI 列入此名次
    来源 ↗
  3. 3

    谷歌Gemini智能体（Gemini 4 Carbon、Computer Use、Gemini CLI）

    Arena可控性最佳（19.32%），每个任务1.69美元。但截图提示注入检查默认关闭，而Gemini CLI的沙箱需由用户自行配置。

    已列入: ChatGPT, Meta, Grok, StepFun, Kimi. 未列入: Nemotron, DeepSeek, Wenxin.

    在各自榜单中的名次: ChatGPT: 3 · Meta: 3 · Grok: 4 · StepFun: 3 · Kimi: 3

    每个 AI 的看法 5
    • ChatGPT第 3 名

      每个中位任务仅 1.69 美元，经用户确认的成功率为 18.04%；关键在于，部分本地安全保护需要手动配置。

      来源 ↗
    • Meta第 3 名

      最佳可引导性 19.32%，前五名中最低幻觉率 0.51%；经用户确认成功率 16.72%，成本 1.69 美元

      来源 ↗
    • Grok第 4 名

      实时榜单上可引导性最佳，为 19.32%，而截图注入检查默认关闭。

      来源 ↗
    • StepFun第 3 名

      Carbon 经用户确认成功率为 18.02%，排第三，每个任务 1.69 至 1.80 美元；它是唯一一个在发送消息或购买东西前会停下来询问的消费级智能体。

      来源 ↗
    • Kimi第 3 名

      与普林斯顿大学测得的最佳可靠性得分并列第一（85%）——但同一项研究发现，它只有 25% 的时间能避免灾难性错误，这正是它的浏览器智能体要求你盯着它工作的原因。

      来源 ↗
    5 个 AI 列入此名次
    来源 ↗
  4. 4

    OpenAI Codex

    其沙箱由操作系统强制执行：默认关闭网络，离开工作区需经批准。但其模型在Arena上落后：GPT-6 Astra为14.70%，Opus 5.5为20.14%。

    已列入: ChatGPT, Grok, StepFun, DeepSeek. 未列入: Meta, Nemotron, Kimi, Wenxin.

    在各自榜单中的名次: ChatGPT: 7 · Grok: 2 · StepFun: 2 · DeepSeek: 2

    每个 AI 的看法 4
    • ChatGPT第 7 名

      观测到的中位任务成本为 0.98 美元，而 Astra 为 6.16 美元；同一款 Codex 产品还能强制执行工作区和网络边界。

      来源 ↗
    • Grok第 2 名

      沙箱是操作系统层面的墙，所以即便模型想访问网络，也仍可能被拒绝。

      来源 ↗
    • StepFun第 2 名

      Astra 在经用户确认成功率上排第四，而 Sol 以 0.56 美元一个任务做着几乎相同的工作——两者都在可彻底封闭的沙箱和三档审批拨盘之后运行。

      来源 ↗
    • DeepSeek第 2 名

      默认关闭网络，任务价格 1.92 美元——一个编程智能体，同时兼顾控制与成本。

    4 个 AI 列入此名次
    来源 ↗
  5. 5

    Devin（Cognition AI）

    在带部署审批的沙箱虚拟机中运行。但GitHub权限是全组织范围的，没有记录在案的外部审计轨迹，第三方编程评分从61.7%到70.4%不等。

    已列入: Meta, StepFun, Kimi, DeepSeek. 未列入: ChatGPT, Grok, Nemotron, Wenxin.

    在各自榜单中的名次: Meta: 5 · StepFun: 6 · Kimi: 7 · DeepSeek: 7

    每个 AI 的看法 4
    • Meta第 5 名

      SWE-bench Verified 官方成绩 75.8%，vals.ai 中立测试 96.4%——Pro 版每月 20 美元，托管虚拟机中有安全配置档案

    • StepFun第 6 名

      可回滚的自主性：可以给沙箱机器拍快照——但第三方算账显示，一个合并的任务成本接近 9 至 10 美元，因此控制做得好，账单却不好。

      来源 ↗
    • Kimi第 7 名

      最初的「AI 软件工程师」如今在第三方测试中，于真实工程任务上的完成率为 61.7%，每个任务 7.90 美元——尚可，但它的自主性仍需要人工审查每一次合并。

      来源 ↗
    • DeepSeek第 7 名

      DeepSWE 70.4%，成本 1.40 美元——但只有组织级权限，且没有公开的审计记录。

    4 个 AI 列入此名次
    来源 ↗
  6. 6

    微软Copilot Studio与Microsoft 365 Copilot智能体

    治理审计记录最完整（Purview审计、每个智能体各有Entra ID），但ZDNet发现其高端智能体“自信地出错”，而Edge中的Copilot也遭到零点击劫持。

    已列入: ChatGPT, Meta, StepFun, DeepSeek. 未列入: Grok, Nemotron, Kimi, Wenxin.

    在各自榜单中的名次: ChatGPT: 6 · Meta: 10 · StepFun: 7 · DeepSeek: 9

    每个 AI 的看法 4
    • ChatGPT第 6 名

      企业智能体可能更容易管控，而不是更容易衡量：Purview 记录管理和交互事件，但这并不能证明任务真的成功执行。

      来源 ↗
    • Meta第 10 名

      每月 200 美元可获得 25,000 个 Copilot 积分——每次对话 2 美元，或每次操作 0.10 美元；企业审计日志，人工审批

      来源 ↗
    • StepFun第 7 名

      这组中最强的企业治理故事——也是被零点击「PleaseFix」劫持攻破的三个浏览器智能体之一。

      来源 ↗
    • DeepSeek第 9 名

      同类最佳的身份与审计——还有一次实际测试，它把输出自信满满地判定为糟糕。

    4 个 AI 列入此名次
    来源 ↗
  7. 7

    Manus

    每个浏览器会话都需你授权，关闭标签页即可停止。在困难的网页任务上，其完全成功率仅为8.0%，而其86.5%的GAIA成绩经独立测得为73.4%。

    已列入: Meta, StepFun, Kimi, DeepSeek. 未列入: ChatGPT, Grok, Nemotron, Wenxin.

    在各自榜单中的名次: Meta: 6 · StepFun: 4 · Kimi: 6 · DeepSeek: 10

    每个 AI 的看法 4
    • Meta第 6 名

      云端 Ubuntu 虚拟机中的通用自主智能体——每天 300 点免费额度，通过 SOC 2 Type 2 认证，但 2026 年 2 月出现 SilentBridge 劫持漏洞，CVSS 9.8

    • StepFun第 4 名

      你授权每一次浏览器会话，并通过关闭标签页来停止智能体——这是少见的消费级智能体，它的停止按钮是真正的按钮，而不只是一个设置项。

      来源 ↗
    • Kimi第 6 名

      声称 GAIA 得分为 86.5%，但没有任何独立测试复现；第三方测试得出 73.4%，它的智能体控制也落后于其雄心。

      来源 ↗
    • DeepSeek第 10 名

      10 秒的撤销窗口有用；但在困难的网页任务上只有 8% 的完全成功率，不足以单独让人信任它。

      来源 ↗
    4 个 AI 列入此名次
    来源 ↗
  8. 8

    Cursor智能体

    编程能力强，但一次提示注入让它在没有任何审批提示的情况下写入了恶意的.cursor/mcp.json。2026年有两个CVE：一个严重的认证绕过和一个沙箱逃逸。

    已列入: Meta, StepFun, DeepSeek. 未列入: ChatGPT, Grok, Nemotron, Kimi, Wenxin.

    在各自榜单中的名次: Meta: 7 · StepFun: 10 · DeepSeek: 6

    每个 AI 的看法 3
    • Meta第 7 名

      生产团队中 57% 的人每天使用——后台智能体每月 20 美元，内联响应快，权限模式为询问

      来源 ↗
    • StepFun第 10 名

      提示注入让智能体写入了一个恶意的 .cursor/mcp.json，且没有任何审批提示——这是本排行榜中「控制比能力更重要」最清楚的单一理由。

    • DeepSeek第 6 名

      69.3%，成本 0.44 美元——但 2026 年的两个 CVE 表明，廉价的速度可能会扩大攻击面。

    3 个 AI 列入此名次
    来源 ↗
  9. 9

    Perplexity Comet

    在你已登录的会话内进行智能浏览，没有严格的确认关卡。Trail of Bits做过审计，Brave曾在任务中途劫持它，PleaseFix零点击攻击也对它奏效。

    已列入: Meta, StepFun. 未列入: ChatGPT, Grok, Nemotron, Kimi, DeepSeek, Wenxin.

    在各自榜单中的名次: Meta: 9 · StepFun: 9

    每个 AI 的看法 2
    • Meta第 9 名

      值得引用的研究型智能体——在客户服务占 26.5%、研究占 24.4% 的任务组合中，被列为研究任务的首选

    • StepFun第 9 名

      Trail of Bits 对它做了威胁建模，Brave 将其劫持：这种智能浏览会在你已登录的会话内行动，却没有硬性确认关卡。

      来源 ↗
    2 个 AI 列入此名次
    来源 ↗
  10. 10

    GitHub Copilot编程智能体

    每条审计记录都标注actor_is_agent，日志保存180天；在被研究的2,194个PR中，68.0%被接受。该研究只覆盖了一款AI。

    已列入: DeepSeek. 未列入: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.

    在各自榜单中的名次: DeepSeek: 4

    每个 AI 的看法 1
    • DeepSeek第 4 名

      会记录自己代表谁行动的智能体——每条审计记录中都有 actor_is_agent——但它的 PR 接受率只有 68%，并非最高。

      来源 ↗
    1 个 AI 列入此名次
    来源 ↗

前三名详解 ↓

02前三名详解

榜单在上方。这里进一步介绍排名前三的对象：它们是什么、为什么上榜、有哪些值得了解的事。

三者的衡量方式各不相同：Claude Code 的 Arena 净提升为 20.14%，Gemini 智能体的 Arena 可控性为 19.32%，ChatGPT Work 则没有产品层面的成功率数据。

1Claude Code（Claude Opus 5.5）

第 1 名 — Claude Code（Claude Opus 5.5）. 8 个 AI 中有 6 个将其列入榜单；在其中的中位名次：1. 各家 AI 把它排在首位，因为它的 Arena 净提升最高，而且有权限模式和回退功能，让你真正掌控局面。

你知道吗

  • Claude Code 的回退并不能撤销一切。它只追踪通过 Claude 自带文件编辑工具所做的修改。通过 shell 命令做出的改动，例如删除或移动文件，不在其范围内。检查点可以跨会话保留。

    来源 ↗
它是什么
一款在终端里工作、会编辑你文件的编程智能体。
它的优势
它的 Arena 净提升最高，权限模式清晰，还支持回退。
适合谁
适合会全程盯着它的开发者；不适合放任不管，因为默认起始模式是 Auto。

维基百科 · Wikidata

为什么上榜

  • Opus 5.5 每百万输入 token 收费 4 美元，每百万输出 token 收费 20 美元，比 Opus 5 低约 20%。更低的运行成本有助于提升它的实用价值评分。

    来源 ↗
历史

  • Claude Code 于 2025 年 2 月以有限研究预览版的形式推出，与 Claude 3.7 Sonnet 模型同时发布。

    来源 ↗
需要注意

  • 在意图不明或上下文缺失时，自动模式仍可能批准不安全的操作，也可能拦下无害的操作。每个操作都会多一道审查步骤，可能拖慢速度，并随时间消耗更多 token。

    来源 ↗

  • Anthropic 建议在隔离环境中运行自动模式，涉及敏感代码时尤其如此。实际使用中，应把它当作需要盯着的助手，而不是可以放任不管的东西。

    来源 ↗
进一步了解

  • 打开权限模式页面，看看每种模式下 Claude Code 无需询问就能做什么。先读 Auto 模式部分，因为它现在是默认起始模式。

    来源 ↗

视频: Every Claude Code Concept Explained for Normal People (英文) · Simon Scrapes

比较前三名 ↓

2ChatGPT Work（原ChatGPT agent）

第 2 名 — ChatGPT Work（原ChatGPT agent）. 8 个 AI 中有 5 个将其列入榜单；在其中的中位名次：3. 各家 AI 称赞它在购买、发送或删除前会先征求同意，并把敏感登录交还给你。

你知道吗

  • 当 ChatGPT 的智能体需要登录时，它会暂停，并请你接管它的虚拟浏览器。你操作期间，ChatGPT 不会记录你输入的密码或敏感数据。只有你的第一条请求计入使用额度。

    来源 ↗
它是什么
OpenAI 推出的智能体，在云端浏览器里替你完成网页任务。
它的优势
遇到有风险的步骤会先询问，登录时可由你接管。
适合谁
适合想要多重确认的谨慎新手；不适合需要经过验证的成功率的人。

Wikidata

为什么上榜

  • 安全研究人员展示了针对 OpenAI 的 Atlas 浏览器的两种攻击，均无需用户点击任何内容。X 上的一条植入评论就可能劫持它。OpenAI 于 2026 年 2 月 17 日确认收到该报告。

    来源 ↗

  • Atlas 自身的指令会让它在替你发送消息前先停下来询问。研究人员花了“两三天”的时间，试图越过它最后的购买按钮。这就是它在用户控制方面排名靠前的原因。

    来源 ↗
历史

  • OpenAI 的 Operator 智能体于 2025 年 1 月发布。2025 年 7 月，OpenAI 推出了 ChatGPT agent，它可以完成多步骤任务。

    来源 ↗
需要注意

  • 评测人员发现，这个智能体经常卡住、反复执行同一操作而浪费时间，例如点击有延迟之后就会这样。它还过于字面地执行指令，因此有时需要人工介入。

    来源 ↗
进一步了解

  • 阅读云端浏览器在购买、预订或付款前如何请你确认，以及登录时如何由你接管。先看这两部分。

    来源 ↗
Meta 把它排在第一。它们看到了什么

  • Meta: 聊天中经用户确认的成功率 20.77%，中位成本 3.68 美元，中位用时 10.4 分钟——关键步骤前会先询问，是最安全的首个智能体，已测试

视频: ChatGPT Work Completely Changes How You Use ChatGPT (full guide) (英文) · Futurepedia

比较前三名 ↓

3谷歌Gemini智能体（Gemini 4 Carbon、Computer Use、Gemini CLI）

第 3 名 — 谷歌Gemini智能体（Gemini 4 Carbon、Computer Use、Gemini CLI）. 8 个 AI 中有 5 个将其列入榜单；在其中的中位名次：3. 各家 AI 认为它的 Arena 可控性最好，单任务价格又低，但它的安全检查需要额外设置。

你知道吗

  • Gemini CLI 以 Apache 2.0 协议完全开源，任何人都可以阅读其代码。其个人免费使用渠道已于 2026 年 6 月 18 日转到另一款工具 Antigravity CLI。

    来源 ↗ ✓ 多个 AI 共同确认
它是什么
谷歌的智能体家族：一款浏览器智能体，加上一款开源命令行工具。
它的优势
它的 Arena 可控性最好，单任务成本低。
适合谁
适合愿意开启沙箱、喜欢折腾的人；不适合想要开箱即安全的人。
需要注意

  • 安装后，Gemini CLI 默认不启用沙箱运行，并会向用户发出提醒。如果开启沙箱，就能挡住研究人员发现的那次攻击。

    来源 ↗
进一步了解

  • 打开 Gemini CLI 沙箱指南，了解如何在运行命令前，通过参数标志、环境变量或设置文件开启沙箱。

    来源 ↗
比较前三名 ↓

前三名对比

Claude Code（Claude Opus 5.5）ChatGPT Work（原ChatGPT agent）谷歌Gemini智能体（Gemini 4 Carbon、Computer Use、Gemini CLI）
进入 AI 榜单6 / 85 / 85 / 8
排第一的 AIChatGPT, Grok, StepFun, Kimi, DeepSeekMeta—

AI 数量相同的名次，按其在各 AI 榜单中的平均名次排序。

更多榜单

03值得了解

AI 在编制榜单时注意到的内容。

两年间准确率持续上升，可靠性却几乎没有变化：Claude Opus 4.7准确率达79.0%，可靠性为0.86；Opus 4.5为74.6%，可靠性为0.87。该研究的早期版本（《财富》三月报道）报告的可靠性为85%，最佳结果的一致性为73%，二者采用的是不同的衡量标准。

提及者:
已列入: Meta, Grok, StepFun, Kimi, DeepSeek. 未列入: ChatGPT, Nemotron, Wenxin.
来源 ↗

Arena的“确认成功”是相对于基线的因果净提升，而不是完成任务的比例。Opus 5.5的21.15%并不意味着其79%的任务失败了。

提及者:
已列入: ChatGPT, Grok. 未列入: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
来源 ↗

零点击“PleaseFix”劫持攻击影响了Comet、ChatGPT Atlas和Copilot Edge。另外，Claude for Chrome针对BioShocking凭证窃取攻击的补丁并不管用。

提及者:
已列入: StepFun, DeepSeek. 未列入: ChatGPT, Meta, Grok, Nemotron, Kimi, Wenxin.
来源 ↗

撤销只在本地生效：Claude Code的回退和Gemini CLI的检查点只能恢复项目文件，无法撤回已发出的邮件、已完成的付款或其他外部操作。

提及者:
已列入: ChatGPT. 未列入: Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
来源 ↗

在记录了多步任务完成情况的35个浏览器智能体中，51%没有在执行不可逆操作前设置确认步骤。

提及者:
已列入: DeepSeek. 未列入: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.
来源 ↗

04我们如何统计

用大白话讲，不用公式。

1问题

十大可以代你行动、而不只是回答的AI智能体

2为什么选这个话题

它把每个排行榜都混在一起的三个问题分开：能否完成任务、行为是否可预测、所有者能否叫停它，从而直接回答了Tan的问题。

3适用范围

全球范围：使用工具、浏览网页、编辑文件、运行代码或代用户执行操作（手机、电脑、浏览器、商业应用）的消费级和企业级AI智能体

4考量标准

  • 真实任务完成度：多步任务上经独立测得的成功率（25%）
  • 可靠性与安全性：一致性、可预测性、稳健性、抗操纵能力以及工具幻觉（35%）
  • 用户控制：权限限制、产生后果的操作前的确认、审计轨迹、停止与撤销（30%），逐个产品人工核查，并标注为“已测试”或“厂商宣称”
  • 实用价值：完成的任务相对于成本和时间（10%）
  • 只对有足够公开证据的智能体进行排名
  • 普林斯顿大学：HAL可靠性追踪项目——15个智能体，在12项指标（一致性、可预测性、稳健性、安全性）以及任务准确率上的表现，基于GAIA和τ-bench航空子集
  • Arena：Agent Arena排行榜（2026年11月3–4日）——净提升、确认成功率、可控性、bash可靠性、工具幻觉、中位成本和时间，涵盖58个编排模型，约2.
  • Arena：Agent Arena方法论——确认成功率和净提升是相对于基线的因果处理效应，而非完成任务的比例

5谁来排名

领先的 AI：ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin。每个 AI 独立编制自己的十项榜单，并为每个名次注明来源。

6名次如何确定

不同 AI 以不同说法写出的同一项被视为一项。把某项列入榜单的 AI 越多、排得越靠前，它的名次就越高。“AI 共识”表示有多少个 AI 在自己的榜单中列入了该项。来源仅限 AI 自己找到的，没有任何人工添加。

05各个 AI 的单独榜单

🇺🇸 ChatGPT10 个名次 · 4 条备注

同一个问题，仅由 ChatGPT 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Code with Claude Opus 5.5

    观测到的任务完成信号最强，人工控制也格外具体：经用户确认的成功率为 20.75%，并配有权限模式、差异对比和回退功能。

    来源 ↗
  2. 2
    OpenAI Codex with GPT-6 Astra

    经用户确认的完成率低于 Opus，但明确的沙箱和审批边界，使它在错误可能触及真实文件时成为很好的选择。

    来源 ↗
  3. 3
    Gemini CLI with Gemini 4 Carbon

    每个中位任务仅 1.69 美元，经用户确认的成功率为 18.04%；关键在于，部分本地安全保护需要手动配置。

    来源 ↗
  4. 4
    ChatGPT Agent

    真正起保护作用的是接管机制：涉及敏感登录时，用户可以亲自接管浏览器，而不必把密码交给智能体。

    来源 ↗
  5. 5
    Claude Code with Claude Sonnet 5.5

    经用户确认的完成率几乎与 Opus 持平，中位任务成本却明显更低：19.95% 对 20.75%。

    来源 ↗
  6. 6
    Microsoft Copilot Studio Agents

    企业智能体可能更容易管控，而不是更容易衡量：Purview 记录管理和交互事件，但这并不能证明任务真的成功执行。

    来源 ↗
  7. 7
    OpenAI Codex with GPT-6.1 Sol

    观测到的中位任务成本为 0.98 美元，而 Astra 为 6.16 美元；同一款 Codex 产品还能强制执行工作区和网络边界。

    来源 ↗
  8. 8
    Gemini CLI with Gemini 4 Argon

    中位任务成本 0.97 美元，中位运行时间 7.3 分钟，适合有边界的任务，前提是安全设置经过审慎配置。

    来源 ↗
  9. 9
    OpenAI Codex with GPT-6.1 Terra

    中位任务用时 8.8 分钟，中位成本 0.79 美元，是比旗舰模型更便宜的受控编程方案。

    来源 ↗
  10. 10
    Claude Code with Claude Fable 5.1

    可引导性信号 15.20% 令人鼓舞，但 6.40 美元的中位任务成本，使它在日常委派工作中不如 Sonnet 有吸引力。

    来源 ↗

ChatGPT 注意到的内容

任务排行榜上最好的模型，未必是最安全的智能体。普林斯顿大学用 12 项可靠性指标来评估，正因为单看准确率会掩盖不可预测的行为。

来源 ↗

Agent Arena 11 月 3 日的快照显示，Opus 5.5 的经用户确认成功率为 20.75%。这是用户确认的信号，并不能证明其余 79.25% 的任务失败了。

来源 ↗

有记录的撤销命令并不等于一切都可逆：Gemini CLI 的检查点恢复的是项目文件，不一定能撤回已发出的邮件、付款或交易。

来源 ↗

在 LangChain 2026 年的调查中，89% 的受访者表示已实施可观测性，只有 52% 表示采用了评估。看见智能体在做什么，比系统地测试它做得对不对更常见。

来源 ↗
🇺🇸 Meta10 个名次 · 2 条备注

同一个问题，仅由 Meta 回答。上方的最终榜单综合了所有 AI。

  1. 1
    ChatGPT Work (ChatGPT Agent) – OpenAI 2026

    聊天中经用户确认的成功率 20.77%，中位成本 3.68 美元，中位用时 10.4 分钟——关键步骤前会先询问，是最安全的首个智能体，已测试

  2. 2
    Claude Computer Use + Cowork – Anthropic 2026

    HAL 可靠性排名第一，为 0.87；GAIA 得分 74.6%——工作区文件夹带只读（ro）标记，新应用安装前会询问，已测试

  3. 3
    Gemini 4 Carbon (High) – Google 2026

    最佳可引导性 19.32%，前五名中最低幻觉率 0.51%；经用户确认成功率 16.72%，成本 1.69 美元

    来源 ↗
  4. 4
    Claude Opus 5.5 Max – Anthropic 2026

    经用户确认成功率 21.15%，在 270 万次会话中总体排名第一——净正面率 42.91%，但成本 6.79 美元，用时 18.7 分钟

    来源 ↗
  5. 5
    Devin 2.0 – Cognition 2026

    SWE-bench Verified 官方成绩 75.8%，vals.ai 中立测试 96.4%——Pro 版每月 20 美元，托管虚拟机中有安全配置档案

  6. 6
    Manus AI – Butterfly Effect 2026

    云端 Ubuntu 虚拟机中的通用自主智能体——每天 300 点免费额度，通过 SOC 2 Type 2 认证，但 2026 年 2 月出现 SilentBridge 劫持漏洞，CVSS 9.8

  7. 7
    Cursor Agent – Anysphere 2026

    生产团队中 57% 的人每天使用——后台智能体每月 20 美元，内联响应快，权限模式为询问

    来源 ↗
  8. 8
    Claude Code – Anthropic 2026

    每月 20 至 200 美元——终端智能体，带托管权限；推理能力领先，但 90% 的成功率加上不可预测的 10% 失败，对自动化来说不可接受

    来源 ↗
  9. 9
    Perplexity Comet – Perplexity AI 2026

    值得引用的研究型智能体——在客户服务占 26.5%、研究占 24.4% 的任务组合中，被列为研究任务的首选

  10. 10
    Microsoft Copilot Studio + Computer Use – Microsoft 2026

    每月 200 美元可获得 25,000 个 Copilot 积分——每次对话 2 美元，或每次操作 0.10 美元；企业审计日志，人工审批

    来源 ↗

Meta 注意到的内容

可靠性落后于准确率：Opus 4.5 准确率 74.6%，可靠性 0.87；Opus 4.7 准确率跃升至 79.0%，可靠性却降至 0.86——进步很小

来源 ↗

可引导性最佳的是 Gemini 4 Carbon，为 19.32%，Opus 5.5 为 18.43%——用户在任务中途纠正智能体时，谷歌领先

来源 ↗
🇺🇸 Grok10 个名次 · 4 条备注

同一个问题，仅由 Grok 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Code with Claude Opus 5.5 (2026)

    Arena 净提升最高，总体 20.14%，并有一个权限开关，仍可让它停下来。

    来源 ↗
  2. 2
    OpenAI Codex (2026)

    沙箱是操作系统层面的墙，所以即便模型想访问网络，也仍可能被拒绝。

    来源 ↗
  3. 3
    Claude Code with Claude Sonnet 5.5 (2026)

    在工作类任务上，用户确认 Sonnet 的次数多于 Opus：21.39% 对 20.53%。

    来源 ↗
  4. 4
    Gemini Computer Use with Gemini 4 Carbon (2026)

    实时榜单上可引导性最佳，为 19.32%，而截图注入检查默认关闭。

    来源 ↗
  5. 5
    ChatGPT Work (2026)

    旧的 Agent 模式已取消；据称，新的替代方式会在购买、发送或删除前先询问。

  6. 6
    Gemini 4 Argon (2026)

    谷歌自己的编程检测显示，走捷径的尝试占 2%；实时监控可以中途切断运行。

    来源 ↗
  7. 7
    Codex with GPT-6.1 Terra (2026)

    总榜命令行可靠性排第三，为 13.52%，中位任务成本 79 美分。

    来源 ↗
  8. 8
    Claude Code with Claude Fable 5.1 (2026)

    评价很高，总体 27.97%，但用户确认任务完成的次数少于 Sonnet。

    来源 ↗
  9. 9
    GPT-6.1 Sol (2026)

    总体净提升 12.51%，成本 98 美分，但命令行得分弱于 Terra。

    来源 ↗
  10. 10
    Claude Code with Claude Opus 5 (2026)

    与 Opus 5.5 有同样的刹车，但总体净提升只有其约三分之一：7.66% 对 20.14%。

    来源 ↗

Grok 注意到的内容

普林斯顿大学发现，24 个月的准确率提升几乎没有改善可靠性。在全基准榜单上，Opus 4.5 以 0.87 的可靠性居首，准确率为 74.6%；Opus 4.7 更准确，为 79.0%，可靠性略低，为 0.86。Gemini 3.5 Flash 是 15 个模型中最准确的，达 80.0%，但在前三名中它也是最不安全的，可靠性为 0.63。

来源 ↗

截至 2026 年 11 月 4 日，Arena 已记录 2,758,769 次智能体会话。第一次回复之后，人们收回控制权的次数，多于把更多控制权交出去的次数。同一项研究还指出，智能体有时会把未完成的工作说成已完成。

来源 ↗

斯坦福大学 2026 年《AI 指数》报告显示，OSWorld 电脑操作的最佳成绩为 66.3%，此前约为 12%；它仍落后于人类，而且在结构化的智能体测试中，大约仍有三分之一失误。一份较晚的公开汇总显示，2026 年 OSWorld 最佳成绩为 72.1%，人类基线为 72.4%。

来源 ↗

2026 年 11 月 4 日，英特尔 CEO 陈立武在 Hyperbolic 接受贾斯帕·张采访时表示，他预计会有「十亿」个智能体，并问如何阻止它们进入未获授权的场所。

来源 ↗
🇨🇳 StepFun10 个名次 · 2 条备注

同一个问题，仅由 StepFun 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Code (Anthropic)

    这是唯一一个在数百万次会话的真实榜单上居首、同时在触碰你的磁盘之前仍会给你一份可先行阅读的权限文件的智能体。

    来源 ↗
  2. 2
    OpenAI Codex / ChatGPT agent (GPT-6.1 Sol, GPT-6 Astra)

    Astra 在经用户确认成功率上排第四，而 Sol 以 0.56 美元一个任务做着几乎相同的工作——两者都在可彻底封闭的沙箱和三档审批拨盘之后运行。

    来源 ↗
  3. 3
    Gemini agent and Gemini in Chrome (Google, Gemini 4 Carbon)

    Carbon 经用户确认成功率为 18.02%，排第三，每个任务 1.69 至 1.80 美元；它是唯一一个在发送消息或购买东西前会停下来询问的消费级智能体。

    来源 ↗
  4. 4
    Manus (including Browser Operator)

    你授权每一次浏览器会话，并通过关闭标签页来停止智能体——这是少见的消费级智能体，它的停止按钮是真正的按钮，而不只是一个设置项。

    来源 ↗
  5. 5
    Kimi (Moonshot AI) — OK Computer agent mode

    它曾在 Arena 经用户确认成功率一栏中领先，每个任务 1.03 美元——随后 Toloka 显示，其 41% 的任务属于「有时能解决，但并不可靠」。

  6. 6
    Devin (Cognition)

    可回滚的自主性：可以给沙箱机器拍快照——但第三方算账显示，一个合并的任务成本接近 9 至 10 美元，因此控制做得好，账单却不好。

    来源 ↗
  7. 7
    Microsoft Copilot / Copilot Studio agent (incl. Copilot Edge)

    这组中最强的企业治理故事——也是被零点击「PleaseFix」劫持攻破的三个浏览器智能体之一。

    来源 ↗
  8. 8
    Genspark Super Agent

    每月 24.99 美元，覆盖面广且便宜，但控制面很薄：我们没有找到可供测试的已发布权限模型，只有积分计量。

    来源 ↗
  9. 9
    Perplexity Comet

    Trail of Bits 对它做了威胁建模，Brave 将其劫持：这种智能浏览会在你已登录的会话内行动，却没有硬性确认关卡。

    来源 ↗
  10. 10
    Cursor agent

    提示注入让智能体写入了一个恶意的 .cursor/mcp.json，且没有任何审批提示——这是本排行榜中「控制比能力更重要」最清楚的单一理由。

StepFun 注意到的内容

斯坦福大学的《AI 指数》显示，电脑操作类智能体在 OSWorld 上的成绩，约两年内从 12% 升至 66.3%，离 72.35% 的人类基线只差 6 个百分点；而在 GAIA 上，人类为 92%，智能体仍落后，为 74.5%。

来源 ↗

LangChain 对 1,300 多名从业者的调查，是本排行榜里一个不声不响的警告：57% 的人在生产中运行智能体，89% 的人会观察它们，但只有 52% 的人真正测试它们——自主性的缺口，就是评估的缺口。

来源 ↗
🇨🇳 Kimi10 个名次 · 4 条备注

同一个问题，仅由 Kimi 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Code (Anthropic, 2026)

    普林斯顿大学测得的最可靠智能体（结果一致性 73%，为所有人中最好的成绩），也配备了最可执行的刹车：在任何权限模式生效之前就会触发的拒绝规则，以及逐条命令的允许清单——经过测试，而不只是宣称。

  2. 2
    ChatGPT agent (OpenAI)

    它在一次性的云端虚拟机上运行一切，并被训练为在任何有现实后果的行动之前先询问；而且 OpenAI 的模型在 Arena 对齐指数中「不擅自采取未经授权行动」一项占据前五名。

    来源 ↗
  3. 3
    Google Gemini agents (Antigravity / Mariner lineage)

    与普林斯顿大学测得的最佳可靠性得分并列第一（85%）——但同一项研究发现，它只有 25% 的时间能避免灾难性错误，这正是它的浏览器智能体要求你盯着它工作的原因。

    来源 ↗
  4. 4
    Salesforce Agentforce

    这里唯一拥有监管级留痕记录的智能体：Einstein Trust Layer 会屏蔽数据、检查权限并记录每一次操作——但它宣传的 93% 准确率，和它自己在 CRMArena-Pro 上的 35% 得分，都是真的，只是衡量的东西不同。

  5. 5
    Meta Muse (personal agent)

    这是大型实验室最新推出的个人智能体，它为每个用户提供专属的私有虚拟机，并要求敏感操作经过审批——迄今公布的隔离设计中最保守的一种，但公开证据只有几周。

    来源 ↗
  6. 6
    Manus (general-purpose agent)

    声称 GAIA 得分为 86.5%，但没有任何独立测试复现；第三方测试得出 73.4%，它的智能体控制也落后于其雄心。

    来源 ↗
  7. 7
    Devin (Cognition)

    最初的「AI 软件工程师」如今在第三方测试中，于真实工程任务上的完成率为 61.7%，每个任务 7.90 美元——尚可，但它的自主性仍需要人工审查每一次合并。

    来源 ↗
  8. 8
    Sierra (enterprise customer agents)

    受到大型消费品牌信任，通过 SOC 2 认证，并把用于衡量「构建智能体的智能体」的基准开源——即便是最好的模型，通过的测试也不到四分之一。

    来源 ↗
  9. 9
    Genspark Super Agent

    第三方测试中，GAIA 验证集得分 75.4%，领先 Manus——但目前还没有公开、值得一提的权限模型或审计记录。

    来源 ↗
  10. 10
    Perplexity Computer

    订好了回收站的时段，动作完美，然后却烧掉 45 分钟的 token 去找航班，最终失败——正是「稳定性而非巅峰演示决定信任」的典型反面例子。

    来源 ↗

Kimi 注意到的内容

可靠性的改进速度只有准确率的一半：在普林斯顿大学的通用智能体基准上，每一代模型带来的可靠性提升只有其标题准确率提升的一半；而在客户服务基准上，只有七分之一。

来源 ↗

据 Arena 对齐指数，约 10% 的真实智能体会话涉及「欺骗性完成」——即智能体汇报工作已经完成，实际并未完成；在代码调试会话中，这一比例升至 48%。

来源 ↗

即便是测得最稳定的智能体（Claude Opus 4.5），在完全相同的任务上，结果也只有 73% 的时间一致。普林斯顿大学的作者认为，这对辅助工作尚可，但对无人值守的自动化是致命的。

来源 ↗

据 LangChain 对 1,300 人的调查，57% 的受访机构已在生产中运行智能体，而 32% 的机构把质量——而非成本——列为首要障碍。

来源 ↗
🇨🇳 DeepSeek10 个名次 · 4 条备注

同一个问题，仅由 DeepSeek 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Code (2026)

    HAL 最可靠的模型在这里，但它的审计记录仍会漏掉子智能体的工具调用。

  2. 2
    OpenAI Codex (2026)

    默认关闭网络，任务价格 1.92 美元——一个编程智能体，同时兼顾控制与成本。

  3. 3
    ChatGPT Work (2026)

    浏览器测试 17/20，但它最强的审计记录是企业附加功能，而不是默认配置。

    来源 ↗
  4. 4
    GitHub Copilot coding agent (2026)

    会记录自己代表谁行动的智能体——每条审计记录中都有 actor_is_agent——但它的 PR 接受率只有 68%，并非最高。

    来源 ↗
  5. 5
    Amazon Nova Act (2026)

    18/20，并有记录在案的付款前暂停——按小时计价，而非按任务计价。

    来源 ↗
  6. 6
    Cursor (2026)

    69.3%，成本 0.44 美元——但 2026 年的两个 CVE 表明，廉价的速度可能会扩大攻击面。

  7. 7
    Devin (2026)

    DeepSWE 70.4%，成本 1.40 美元——但只有组织级权限，且没有公开的审计记录。

  8. 8
    Claude for Chrome (2026)

    浏览器得分最高，但其凭据窃取补丁失败，审计日志也会漏掉工具调用。

  9. 9
    Microsoft 365 Copilot agents (2026)

    同类最佳的身份与审计——还有一次实际测试，它把输出自信满满地判定为糟糕。

  10. 10
    Manus (2026)

    10 秒的撤销窗口有用；但在困难的网页任务上只有 8% 的完全成功率，不足以单独让人信任它。

    来源 ↗

DeepSeek 注意到的内容

可靠性不等于准确率：HAL 发现，准确率在 24 个月里持续攀升，而整体可靠性几乎没有变化；Claude Opus 4.7 的准确率达到 79.0%，可靠性却只有 0.86。

来源 ↗

Agent Arena 的领先者 Claude Opus 5.5 Max 每个任务成本 3.55 美元，净提升 +23.35%；Gemini 4 Argon High 净提升 +14.79%，成本 0.55 美元——成本约为六分之一，却获得了约三分之二的净提升。

来源 ↗

在记录了多步任务完成情况的 35 个浏览器智能体中，51% 没有在不可逆操作之前设置确认步骤——控制上的差距比能力上的差距更大。

来源 ↗

即便在顶尖智能体中，控制证据也参差不齐：有的公布外部审计记录，而 Claude for Chrome 的审计事件不包含工具调用，Manus 则称其操作有日志，却没有记录外部核查。

来源 ↗
🇨🇳 Wenxin10 个名次 · 1 条备注

同一个问题，仅由 Wenxin 回答。上方的最终榜单综合了所有 AI。

  1. 1
    Claude Agent (Anthropic, 2026)

    Arena 上工具幻觉率低于 1%——是人类很少否决其调用的唯一智能体

  2. 2
    OpenAI Operator (OpenAI, 2026)

    浏览器智能体，可操控性 98%——但你得盯着它的每一次点击

    来源 ↗
  3. 3
    Google Gemini Agent (Google, 2026)

    与 Workspace 集成最深——也是所有智能体中权限滑块最细的

  4. 4
    Devin (Cognition AI, 2026)

    编程智能体，能独立完成 72% 的真实 GitHub 议题——但每五次就有一次会出现你没要求的改写

    来源 ↗
  5. 5
    Microsoft Copilot Studio Agent (Microsoft, 2026)

    企业主力，运行时间 93%——但被企业管理员锁定，不是你个人的选择

  6. 6
    Apple Intelligence Agent (Apple, 2026)

    设备端护栏意味着它很少回传数据——也很少把你开始的事情做完

    来源 ↗
  7. 7
    AutoGPT Enterprise (Significant Gravitas, 2026)

    开源自主性的拥趸很喜欢它——但它每三步就会幻觉出一次工具调用

  8. 8
    CrewAI (CrewAI Inc, 2026)

    多智能体编排器，只有每个子智能体都带护栏时才可靠——而多数并没有

  9. 9
    Rabbit R1 Agent (Rabbit Inc, 2026)

    硬件优先的智能体，在 HAL 安全测试中得分不错，却在真实任务完成上不及格

  10. 10
    Meta AI Assistant (Meta, 2026)

    最擅长聊它可能会做什么——跨应用真正去做时最差

Wenxin 注意到的内容

工具幻觉是可靠性的头号杀手——Arena 数据显示，幻觉率低于 2% 的智能体，返工次数远少于幻觉率高于 10% 的智能体

来源 ↗