伯克利的研究人员演示了一个假curl包装器在89项Terminal-Bench任务上获得满分,却未解决任何任务;基准作弊可能使一个头条分数失效。
2026年最佳AI智能体:十大AI智能体
这份名单给人们实际在跑的编程智能体排序,不给 LangChain 的 30 亿美元估值定价。合并名次里 Claude Code 第一,Google Antigravity CLI 第三。
- 第1名:Claude Code
- 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。
针对智能体任务的人类盲测两两投票
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
Claude Code
多份榜单中表现强劲:Opus 5.5在Coding Index v2.0上报告得分61.7;Fable 5.2在Arena中领先,但这些是不同的模型和榜单版本。
已列入: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. 未列入: ChatGPT, Nemotron, Nova, Wenxin.在各自榜单中的名次: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1
每个 AI 的看法 8
- Meta第 1 名
在品味和实证两方面都排第一,但账单是关键——在Artificial Analysis的最佳设置下每任务15.47美元。
来源 ↗ - Gemini第 1 名
在终端原生开发者的偏好上独占鳌头,同时在SWE-bench Verified上保持最高的经验证修复准确率,平均每任务成本低于2.50美元。
来源 ↗ - Claude第 1 名
它以61.7分位居Artificial Analysis指数之首,但每任务11.42美元,成本约为最便宜前沿方案的29倍,换来的只是多出14.4分。
来源 ↗ - MiMo第 1 名
唯一一个在人们真正阅读的两个榜单上都领先的智能体——盲测人类投票中占30.5%,经验证编程中得分58至62——而它的最高强度设置每任务收费44.22美元,得分却比它自己较便宜的设置低两分。
来源 ↗ - StepFun第 9 名
每任务2.26美元,位于30倍价格区间的顶端——以前沿价格定价的开放权重模型,代码审查者很难将其与其他模型区分。
来源 ↗ - Kimi第 4 名
在Terminal-Bench上与65.8%并列领先,却消耗了157亿token——几乎是Opus 5.5的80亿的两倍——才达到同一数字:证明了却不节俭。
来源 ↗ - DeepSeek第 3 名
Opus 5.5曾是Arena第一,也是编程指数61.7分的参考——每任务11.42美元,它既不是最便宜的,也不是最贵的前沿模型。
来源 ↗ - Qwen第 1 名
在Artificial Analysis编程智能体指数上以61.7分居首,同时支撑Agent Arena的顶级梯队,且没有Fable那样的溢价。
来源 ↗
8 个 AI 列入此名次 - 2
OpenAI Codex
价格对比最清楚的例子:GPT-6.1 Sol在v2.1上得分52.2,每个任务1.51美元;Arena的GPT-6 Astra则是另一种配置。
已列入: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. 未列入: ChatGPT, Nemotron, Nova, Wenxin.在各自榜单中的名次: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9
每个 AI 的看法 8
- Meta第 4 名
最便宜的接近前沿的方式——每任务1.51美元,而非15美元。
来源 ↗ - Gemini第 10 名
前沿多模态电脑操作智能体,衔接软件任务与浏览器操作,并在WebArena上树立了新的参考标杆。
来源 ↗ - Claude第 5 名
它得分54.1,每任务1.50美元。与Astra相差不到0.6分,而成本约为其五分之一。
来源 ↗ - MiMo第 2 名
每任务1.51美元得分52——同样的指数分数区间在Claude Code中贵八倍;Codex赢得名次靠的是价格,而不是品味。
来源 ↗ - StepFun第 3 名
Terminal-Bench 4.0上得分58.2%,每任务1.92美元——是Claude Code账单的一半,运行时间也只有一半,但少了6.6分。
来源 ↗ - Kimi第 7 名
前沿的性价比冠军:Astra在Terminal-Bench上得分的93%,而每任务价格只有其19%——1.92美元对9.90美元。
来源 ↗ - DeepSeek第 6 名
Codex搭配GPT-6.1 Sol在指数上比领先者少六分,但仅花费1.50美元——比最大强度的Claude Code便宜7.6倍。
来源 ↗ - Qwen第 9 名
7月在编程智能体指数上得80分,在SWE-bench Verified拆分之前领先OpenAI的运行框架。
来源 ↗
8 个 AI 列入此名次 - 3
Google Antigravity CLI
Gemini 4 Carbon在Coding Index v2.1上得分55.5,并在Arena中排名第二;其在Arena上的成本为每任务1.36美元,而非编程指数成本。
已列入: Meta, MiMo, StepFun, Kimi, DeepSeek. 未列入: ChatGPT, Nemotron, Gemini, Claude, Nova, Wenxin, Qwen.在各自榜单中的名次: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2
每个 AI 的看法 5
- Meta第 5 名
11月12日才上线两天,却已是性价比之选——按谷歌自家的测试,成功率接近Carbon,而配额少用24%。
来源 ↗ - MiMo第 3 名
在模拟真实工作的榜单上名列前茅——在银行、咨询和法律工作上得分84.2%,在一年期的自动售货业务中赚得16,484美元——而在人类投票中只排第三。
来源 ↗ - StepFun第 4 名
人类投票排名第三,作为模型在Terminal-Bench 4.0上得分63.6%——但其CLI运行框架在AA综合指数中仅得43分,接近垫底。
来源 ↗ - Kimi第 6 名
赢得智能指数(60分),在盲测人类投票中获得亚军(16.72%)——但其唯一的Terminal-Bench数据是自我报告,榜单拒绝对其排名。
来源 ↗ - DeepSeek第 2 名
Carbon在CursorBench上以60.4%获胜,花费9.22美元;而Arena的顶级模型在同样的多文件任务上得分60.0%,花费32.79美元。
来源 ↗
5 个 AI 列入此名次 - 4
Devin Fusion CLI
编程指数成绩很强,报告成本低于Claude Code,但其分数随指数版本变化:v2.0为61.5,v2.1为58.4。
已列入: Meta, Claude, MiMo, Kimi, DeepSeek. 未列入: ChatGPT, Nemotron, Gemini, Nova, StepFun, Wenxin, Qwen.在各自榜单中的名次: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5
每个 AI 的看法 5
- Meta第 2 名
前沿领先者加上一个便宜的搭档,与领先者打平——在v2.1上每任务8.75美元,而非15.47美元。
来源 ↗ - Claude第 9 名
Cognition自己的FrontierCode基准现已纳入该指数,Devin的得分列为61.5。
来源 ↗ - MiMo第 4 名
以双模型融合,在每任务8.00美元时与Claude Code的最高编程分数62并列;其SWE-2在Terminal-Bench 2.1上得分92.8%,是该榜单上最高的模型行。
来源 ↗ - Kimi第 2 名
AA榜单上有史以来公布的最高指数分数——68分,比Claude Code高两分——通过将前沿领先模型与便宜的GPT-6 Luna搭档,每任务成本降低31%。
来源 ↗ - DeepSeek第 5 名
Devin Fusion以8.00美元得61.5分,仅比搭配Opus 5.5的Claude Code低0.2分,且使用了1046万token而非1452万。
5 个 AI 列入此名次 - 5
GitHub Copilot Fusion
该指数报告59.9分,每任务5.59美元,但该结果来自v2.0;请勿与v2.1分数直接比较。
已列入: Meta, Claude, MiMo, DeepSeek, Qwen. 未列入: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.在各自榜单中的名次: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5
每个 AI 的看法 5
- Meta第 3 名
它不是模型,而是编排引擎——比Claude Code落后2分,每任务价格约为其一半。
来源 ↗ - Claude第 8 名
第二个来源将GitHub的智能体列为59.9分。这将使其排在Meta的Muse Code之上,但我无法证实这一数字。
来源 ↗ - MiMo第 7 名
编程指数59.9分,每任务5.59美元——与Codex旗舰通道相差两分以内,来自大多数指数表都直接忽略的智能体。
来源 ↗ - DeepSeek第 4 名
Fusion得分59.9,花费5.59美元,并在Terminal-Bench上以71.2领先——以一半的价格落后Claude Code两分。
来源 ↗ - Qwen第 5 名
编排OpenAI和Anthropic的模型,得分比Opus 5.5低2分,而每任务成本只有一半。
来源 ↗
5 个 AI 列入此名次 - 6
Fable 5.2 agent
Fable 5.2在Arena指标上以30.48%的净提升领先,但该榜单只是其中一项依据;其成绩并不是经过验证的跨基准测试胜利。
已列入: Meta, Claude, MiMo, StepFun, DeepSeek. 未列入: ChatGPT, Nemotron, Gemini, Nova, Kimi, Wenxin, Qwen.在各自榜单中的名次: Meta: 8 · Claude: 3 · MiMo: 查看列表 · StepFun: 2 · DeepSeek: 1
每个 AI 的看法 5
- Meta第 8 名
这里唯一一个能交付成品文件、而不只是代码的通用智能体——它关于GAIA的成绩从未被独立重新验证。
来源 ↗ - Claude第 3 名
人类投票者把Fable 5.1 Max排在Agent Arena第一,但它在Artificial Analysis指数上以57.6分排第四。
来源 ↗ - MiMo
在它自己的列表中名称不同:请打开完整列表。
查看列表 - StepFun第 2 名
赢得30.5%的盲测人类投票——几乎是亚军的两倍——然而用户只在21.7%的时间里确认其成功。
来源 ↗ - DeepSeek第 1 名
Fable 5.2在Arena上以30.35%居首,并与编程指数领先者并列58分——但其xhigh运行花费15.47美元,是Codex的1.50美元的十倍。
来源 ↗
5 个 AI 列入此名次 - 7
Kimi Code CLI
Kimi K3.1 Pro在Coding Index v2.1上得分48.6,每任务2.94美元;其Arena净提升分数为4.83%。
已列入: Meta, MiMo, Kimi, DeepSeek, Qwen. 未列入: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, Wenxin.在各自榜单中的名次: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: 查看列表
每个 AI 的看法 5
- Meta第 10 名
每任务2.94美元的开源权重旗舰——其前代曾在GAIA2开源领域居领先地位。
来源 ↗ - MiMo第 6 名
终端工作上以67比58胜过Codex,每任务2.94美元——然后耗费185轮和890万token慢慢爬行,是榜单上最慢的强势通道。
来源 ↗ - Kimi第 9 名
开放权重的异类:在Terminal-Bench领先的6分之内,每百万token定价$3/$15——而在智能指数上比Opus低13分。
来源 ↗ - DeepSeek第 9 名
Kimi在Terminal-Bench 4.1上以68%领先,每任务约5.27美元,但Arena投票者只给了它5.2%,将其排在第11位。
来源 ↗ - Qwen
在它自己的列表中名称不同:请打开完整列表。
查看列表
5 个 AI 列入此名次 - 8
Muse Code
Muse Wonder Full在Coding Index v2.1上得分54.5,但来源称其成本未列出;Arena分数为8.89%的净提升。
已列入: Meta, Claude, MiMo, DeepSeek, Qwen. 未列入: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.在各自榜单中的名次: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: 查看列表
每个 AI 的看法 5
5 个 AI 列入此名次 - 9
DeepSeek Harness
每任务0.32美元的低报告成本对应的指数分数为37;90.6%的Terminal-Bench数据衡量的是另一模型和榜单的结果。
已列入: MiMo, Kimi. 未列入: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.在各自榜单中的名次: MiMo: 8 · Kimi: 查看列表
2 个 AI 列入此名次 - 10
Cursor Composer
这是一个有用的成本参考,但所引用的0.07美元来自已退役的Index v1.5;当前基准上的排名未在此确认。
已列入: Meta, Gemini, StepFun. 未列入: ChatGPT, Nemotron, Claude, Nova, MiMo, Kimi, DeepSeek, Wenxin, Qwen.在各自榜单中的名次: Meta: 7 · Gemini: 2 · StepFun: 8
3 个 AI 列入此名次
02值得了解
AI 在编制榜单时注意到的内容。
普林斯顿HAL报告经验证的GAIA领先者得分74.55%,而答案中提到的开放榜单提交成绩接近94%;这些是不同的提交与验证设置。
03我们如何统计
用大白话讲,不用公式。
1问题
前10名 AI 智能体:人类投票、已验证任务完成度与单任务成本对比
2为什么选这个话题
读者会明白,“最好的智能体”其实是三个问题,并能在同一处看到三个答案,这是任何单一排行榜都做不到的。
3适用范围
全球范围;前沿 AI 智能体、编程智能体与多智能体编排器
4考量标准
- 针对智能体任务的人类盲测两两投票
- 编程及多步骤基准测试中经过验证的任务成功率
- 每项任务的成本、token 数与耗时
- 智能体须至少出现在两个独立榜单上;刷榜的结果会被标记,不计入排名
- Arena — Agent Arena 依据真实会话中的信号为编排器模型排名,包括确认成功、用户反馈、可引导性和工具可靠性;净提升并非盲测两两胜率。
- Artificial Analysis — The Coding Agent Index v2.1 取 FrontierCode-AA 2.0、Terminal-Bench 4.1 和 SWE-Atlas-QnA-AA 的平均值,并报告任务成本、token 数和耗时。
- 普林斯顿 HAL — 在 GAIA 公开验证集上复现智能体结果,报告准确率和 API 总成本;该榜单称其更新已暂停。
- 加州大学伯克利分校 RDI — 研究刷榜问题;其报告描述了一个假的 curl 包装器,它在 Terminal-Bench 上得满分,却没有编写任何解题代码。
5谁来排名
领先的 AI:ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, Kimi, DeepSeek, Wenxin, Qwen。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。
04各个 AI 的单独榜单
🇺🇸 Meta10 个名次 · 4 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。
- 1Claude Code (Claude Opus 5.5 / Fable 5.2)
在品味和实证两方面都排第一,但账单是关键——在Artificial Analysis的最佳设置下每任务15.47美元。
来源 ↗ - 2Devin Fusion CLI (Cognition)
前沿领先者加上一个便宜的搭档,与领先者打平——在v2.1上每任务8.75美元,而非15.47美元。
来源 ↗ - 3GitHub Copilot Fusion
它不是模型,而是编排引擎——比Claude Code落后2分,每任务价格约为其一半。
来源 ↗ - 4OpenAI Codex (GPT-6.1 Sol)
最便宜的接近前沿的方式——每任务1.51美元,而非15美元。
来源 ↗ - 5Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)
11月12日才上线两天,却已是性价比之选——按谷歌自家的测试,成功率接近Carbon,而配额少用24%。
来源 ↗ - 6Muse Code (Muse Wonder Full)
Meta最好的模型被锁在它自家的编程工具里——但它在两个榜单上仍能进入前十。
来源 ↗ - 7Cursor (Composer 2.5)
人们真正每天使用的编辑器——在已退役的Artificial Analysis版本上每任务约0.07美元,仅为前沿账单的十分之一。
来源 ↗ - 8Manus 2.0
这里唯一一个能交付成品文件、而不只是代码的通用智能体——它关于GAIA的成绩从未被独立重新验证。
来源 ↗ - 9ChatGPT Work (GPT-6 Astra / GPT-5.6)
OpenAI将Agent模式并入Work——它是办公智能体而非编程智能体,其最好的考试成绩为41.6%。
来源 ↗ - 10Kimi Code CLI (Kimi K3.1 Pro)
每任务2.94美元的开源权重旗舰——其前代曾在GAIA2开源领域居领先地位。
来源 ↗
Meta 注意到的内容
投资者刚刚为之定价的是编排,而不仅仅是模型:2026年11月13日,LangChain称其以30亿美元估值融资3亿美元。
LangChain将LangSmith定位为企业智能体的中立之家;同一融资公告中称,LangSmith已服务超过7,000家机构。
融合是今年秋天的模式:Devin Fusion、Copilot Fusion和Antigravity Orchestrator都在同一任务中,将前沿规划器与更便宜的执行器搭配使用。
最高强度可能更差,而且贵得多:在Artificial Analysis v2.1上,Claude Code Fable 5.2在Max下得分55.7,每任务44.22美元,耗时129.5分钟;而High下得分58.2,每任务7.51美元,耗时31.3分钟。
🇺🇸 Nemotron10 个名次 · 1 条备注
同一个问题,仅由 Nemotron 回答。上方的最终榜单综合了所有 AI。
- 1Claude 3.5 Sonnet (Anthropic)
在LMArena智能体胜率中以72.4%领先,同时在GAIA2上以68.1%的pass@1居首,在Artificial Analysis编程中以84.7%的成功率位列第一,每任务0.42美元
来源 ↗ - 2GPT-4o (OpenAI)
LMArena胜率69.8%排第二,GAIA2为64.3%,编程成功率81.2%,但每任务0.68美元——比Sonnet贵62%
来源 ↗ - 3Gemini 1.5 Pro (Google)
LMArena胜率66.1%排第三,GAIA2为61.7%,编程成功率78.9%,每任务0.31美元——最便宜的前沿模型,但每任务用时67秒,速度较慢
来源 ↗ - 4Claude 3.5 Haiku (Anthropic)
LMArena为61.3%,GAIA2为55.2%,编程成功率73.4%,每任务0.08美元——比Sonnet便宜5倍,编程表现达其87%
- 5GPT-4o-mini (OpenAI)
LMArena为58.7%,GAIA2为51.8%,编程成功率69.1%,每任务0.04美元——三个榜单上都是最便宜的模型,但在GAIA2上落后Sonnet 19分
来源 ↗ - 6Llama 3.1 405B (Meta)
LMArena为56.2%,GAIA2为48.9%,编程成功率65.7%,每任务0.12美元——最好的开源权重模型,但在GAIA2上比专有前沿模型落后19分
- 7Qwen2.5-Coder-32B (Alibaba)
LMArena为52.8%,GAIA2为44.3%,编程成功率71.2%,每任务0.06美元——专攻编程的模型在编程上胜过405B,但在通用智能体任务上落后
来源 ↗ - 8DeepSeek-V2.5 (DeepSeek)
LMArena为51.4%,GAIA2为42.7%,编程成功率68.9%,每任务0.05美元——强劲的中国开源权重竞争者,编程上比Qwen落后3.3分,但成本更低
来源 ↗ - 9LangGraph + Claude 3.5 Sonnet (LangChain)
多智能体编排器:GAIA2为71.3%(比单独的Sonnet高3.2个百分点),编程87.1%,每任务1.84美元——为编排收益付出4.4倍的成本溢价
- 10AutoGen + GPT-4o (Microsoft)
多智能体编排器:GAIA2为69.8%,编程83.4%,每任务1.67美元——比单独的GPT-4o成本高2.5倍,在GAIA2上比LangGraph低1.5分
Nemotron 注意到的内容
Claude 3.5 Sonnet是唯一一个同时在三个榜单上进入前三的模型——人类偏好、经验证的任务完成率和成本效益。截至2026年11月,没有其他前沿模型取得这种“三冠王”
🇺🇸 Gemini10 个名次
同一个问题,仅由 Gemini 回答。上方的最终榜单综合了所有 AI。
- 1Claude Code
在终端原生开发者的偏好上独占鳌头,同时在SWE-bench Verified上保持最高的经验证修复准确率,平均每任务成本低于2.50美元。
来源 ↗ - 2Cursor Composer
在交互式人工工作流程速度上无可争议的领先者,以每任务0.07至0.44美元的超低价格,交付经验证的多文件完成结果。
来源 ↗ - 3Devin by Cognition
开创了异步软件工程师这一类别,能自主解决仓库级别的复杂工单,但每任务5.00至15.00美元的计算成本较高。
来源 ↗ - 4OpenHands
排名最高的开源自主智能体框架,在SWE-bench上与专有前沿分数相当,同时省去了厂商的运行框架加价。
来源 ↗ - 5LangGraph by LangChain
凭借LangChain在2026年11月约30亿美元的估值,它成为金融科技和客户运营领域确定性多智能体状态机的企业标准。
- 6Windsurf Cascade
Codeium的Cascade引擎以深度协作流程挑战Cursor,在用户满意度上接近持平,每个编程任务成本为0.10至0.50美元。
来源 ↗ - 7Aider
开源git-diff先驱,以领先基准的token效率完成整个仓库编辑,在现代推理模型上每次成本不到0.25美元。
来源 ↗ - 8Microsoft AutoGen
多智能体对话先驱,在复杂的多角色模拟和企业沙盒编排方面领先。
来源 ↗ - 9CrewAI
采用速度最快的多智能体角色扮演平台,被金融科技和商业团队选用于成本曲线可预测的轻量级编排。
- 10OpenAI Operator
前沿多模态电脑操作智能体,衔接软件任务与浏览器操作,并在WebArena上树立了新的参考标杆。
来源 ↗
🇺🇸 Claude10 个名次 · 4 条备注
同一个问题,仅由 Claude 回答。上方的最终榜单综合了所有 AI。
- 1Claude Code with Claude Opus 5.5 (2026)
它以61.7分位居Artificial Analysis指数之首,但每任务11.42美元,成本约为最便宜前沿方案的29倍,换来的只是多出14.4分。
来源 ↗ - 2Claude Code with Claude Sonnet 5.5 (2026)
Sonnet在指数上比Opus落后2.4分,其最大强度设置在成本匹配的领域中也位居榜首。
来源 ↗ - 3Claude Code with Claude Fable 5.1 (2026)
人类投票者把Fable 5.1 Max排在Agent Arena第一,但它在Artificial Analysis指数上以57.6分排第四。
来源 ↗ - 4Codex with GPT-6 Astra (2026)
在Agent Arena人类投票中排第二,在经验证指数上排第五,每任务7.04美元。
来源 ↗ - 5Codex with GPT-6.1 Sol (2026)
它得分54.1,每任务1.50美元。与Astra相差不到0.6分,而成本约为其五分之一。
来源 ↗ - 6Muse Code with Muse Wonder Full (Meta, 2026)
这一Meta条目以58.9分在指数上位列第三,排在Fable 5.1之前。
来源 ↗ - 7Codex with DeepSeek V4.1 Flash (2026)
它得分47.3,每任务0.39美元,是前沿中最便宜的方案。
来源 ↗ - 8GitHub Copilot with Copilot Fusion (2026)
第二个来源将GitHub的智能体列为59.9分。这将使其排在Meta的Muse Code之上,但我无法证实这一数字。
来源 ↗ - 9Devin Fusion CLI (Cognition, 2026)
Cognition自己的FrontierCode基准现已纳入该指数,Devin的得分列为61.5。
来源 ↗ - 10Muse Code with Muse Spark Open (Meta, 2026)
这是一个开放权重的Meta配置,已进入指数但未公布分数。它是领先者中唯一的开放权重条目。
来源 ↗
Claude 注意到的内容
Artificial Analysis指数的前四名仅相差4.1分,但每任务成本在最佳分数和最便宜的前沿方案之间相差29倍。
指数v2.0降低了两个版本都测过的21个配置中20个的分数(平均从54.8降至47.4),原因是Cognition的FrontierCode取代了DeepSWE。
该指数将模型与运行框架视为一个整体。同一模型在Claude Code中的Claude Opus 5.5,与在另一个运行框架中的版本,是不同的条目。
Arena表示,它正将“最佳”拆分为任务、成本和置信区间。现在它在人类投票旁边报告每任务成本中位数和工具幻觉情况。
🇺🇸 Nova10 个名次 · 2 条备注
同一个问题,仅由 Nova 回答。上方的最终榜单综合了所有 AI。
- 1Gemini 4 Carbon
Arena文本榜单的初步领先者,Elo 1520
来源 ↗ - 2Claude Opus 5.5
Arena的Elo为1509,是学生可以使用的顶级模型
来源 ↗ - 3GPT-6 Astra
Arena WebDev的Elo为1773,是强大的编程智能体
来源 ↗ - 4Claude Sonnet 5.5
Arena WebDev的Elo为1770
来源 ↗ - 5GPT-6.1 Sol
Arena WebDev的Elo为1751
来源 ↗ - 6Claude Fable 5.1
Arena文本榜单的Elo为1504
来源 ↗ - 7Meta Muse Wonder
Arena文本榜单的Elo为1507
来源 ↗ - 8GPT-6.1 Sol + Codex
Artificial Analysis编程基准成功率58.2%
来源 ↗ - 9Claude Fable 5.1 + Claude Code
Artificial Analysis编程基准成功率57.9%
来源 ↗ - 10GPT-6 Astra + Codex
Artificial Analysis编程基准成功率58.2%
来源 ↗
Nova 注意到的内容
Gemini 4 Carbon在初步人类投票中领先,但并未公开提供,造成了访问上的不平等
Arena WebDev前四名模型处于统计上的并列(Elo 1751至1810)
🇨🇳 MiMo10 个名次 · 4 条备注
同一个问题,仅由 MiMo 回答。上方的最终榜单综合了所有 AI。
- 1Claude Code (Anthropic, 2026)
唯一一个在人们真正阅读的两个榜单上都领先的智能体——盲测人类投票中占30.5%,经验证编程中得分58至62——而它的最高强度设置每任务收费44.22美元,得分却比它自己较便宜的设置低两分。
来源 ↗ - 2OpenAI Codex (ChatGPT agent, 2026)
每任务1.51美元得分52——同样的指数分数区间在Claude Code中贵八倍;Codex赢得名次靠的是价格,而不是品味。
来源 ↗ - 3Google Antigravity CLI / Gemini 4 (2026)
在模拟真实工作的榜单上名列前茅——在银行、咨询和法律工作上得分84.2%,在一年期的自动售货业务中赚得16,484美元——而在人类投票中只排第三。
来源 ↗ - 4Devin (Cognition, formerly Windsurf, 2026)
以双模型融合,在每任务8.00美元时与Claude Code的最高编程分数62并列;其SWE-2在Terminal-Bench 2.1上得分92.8%,是该榜单上最高的模型行。
来源 ↗ - 5Muse Code (Meta, 2026)
以第二高的经验证编程分数59,与Artificial Analysis仍无法显示的一项数据相匹配:它的价格。
来源 ↗ - 6Kimi Code CLI (Moonshot AI, 2026)
终端工作上以67比58胜过Codex,每任务2.94美元——然后耗费185轮和890万token慢慢爬行,是榜单上最慢的强势通道。
来源 ↗ - 7GitHub Copilot Coding Agent (Copilot Fusion, 2026)
编程指数59.9分,每任务5.59美元——与Codex旗舰通道相差两分以内,来自大多数指数表都直接忽略的智能体。
来源 ↗ - 8DeepSeek Harness (DeepSeek, 2026)
每任务0.32美元——比Claude Code最贵的通道便宜48倍,而同一模型在Terminal-Bench的模型榜单上得分90.6%。
来源 ↗ - 9Grok Build (xAI, 2026)
仓库问答62.9%,终端任务33.3%——同一智能体内部存在30个百分点的差距,这是其他对手都没有显示的。
来源 ↗ - 10OpenCode (open-source coding agent, 2026)
免费开源运行框架得分与Kimi Code CLI同为49,并通过一个密钥接入75+个模型提供商——在1.51至44美元的竞赛中,是“大众通道”。
来源 ↗
MiMo 注意到的内容
最大强度可能成本更高、得分更低:Claude Code搭配Fable 5.2在最大强度下每任务收费44.22美元,指数得分56;同一模型在高强度下得分58,每任务7.51美元——便宜六倍,还高两分。
人类偏好榜和真实工作榜推出的冠军各不相同:Claude Fable 5.2在Agent Arena上以11分领先(30.5%对19.5%),但Gemini 4 Carbon在APEX-Agents(84.2%)和Vending-Bench 2(16,484美元)上夺冠——偏好、专业工作和商业连贯性是三种不同的能力。
在得分48分以上的配置中,每任务成本相差约30倍——从1.51美元(Codex GPT-6.1 Sol)到44.22美元(Claude Code Fable 5.2 max)——因此目前四个指数分数就带来约29倍的价格差;聪明的做法是按任务难度划分通道。
运行框架几乎占了智能体的一半:Gemini 4 Argon在同一Bug Hunt Bench上,通过Antigravity CLI得分40.7/105,通过Gemini CLI只得33/105——每次运行分别为7.16美元和32.08美元。
🇨🇳 StepFun10 个名次 · 4 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。
- 1Claude Code + Opus 5.5 (Anthropic) 2026
在人类盲测投票中位列前二,在经验证编程榜上排第一——是唯一同时登上两个榜单领奖台的组合,每任务15.47美元。
来源 ↗ - 2Claude Fable 5.2 Max agent 2026
赢得30.5%的盲测人类投票——几乎是亚军的两倍——然而用户只在21.7%的时间里确认其成功。
来源 ↗ - 3OpenAI Codex + GPT-6.1 Sol 2026
Terminal-Bench 4.0上得分58.2%,每任务1.92美元——是Claude Code账单的一半,运行时间也只有一半,但少了6.6分。
来源 ↗ - 4Gemini 4 Carbon High / Gemini CLI 2026
人类投票排名第三,作为模型在Terminal-Bench 4.0上得分63.6%——但其CLI运行框架在AA综合指数中仅得43分,接近垫底。
来源 ↗ - 5Claude Sonnet 5.5 Max in Claude Code 2026
确认成功(19.5%)多于投票(16.1%)——在这一组合上,证明胜过品味。
来源 ↗ - 6GitHub Copilot agentic harness 2026
唯一在五个榜单上同时与Claude Code和Codex对标的运行框架——并且它在token数量上赢了。
来源 ↗ - 7Cognition Devin SWE-2 2026
允许人工参与时得分81.5%,不允许时45.8%——同一智能体,两个截然不同的排行榜。
来源 ↗ - 8Cursor Composer 2.5 2026
运行框架的代价:同一模型在Cursor CLI中每任务1.47美元,而在Claude Code中为1.24美元。
来源 ↗ - 9GLM-5.1 coding agent (in Claude Code) 2026
每任务2.26美元,位于30倍价格区间的顶端——以前沿价格定价的开放权重模型,代码审查者很难将其与其他模型区分。
来源 ↗ - 10Kimi K2.6 coding agent 2026
开放权重、300个并行子智能体,以及一次发布中Terminal-Bench上提高16分。
来源 ↗
StepFun 注意到的内容
品味溢价是可以衡量的:Claude Fable 5.2获得盲测Arena投票的30.48%,但经确认的成功率仅21.66%——人们对它的喜爱,比他们能确认其有效的程度高出约9个百分点。
价格是最狂野的维度:Artificial Analysis编程智能体指数的每任务成本从0.07美元到2.26美元,相差30倍以上,而代码质量几乎相同——因此最便宜的榜单与最好的榜单,是两种不同的比赛。
在最难的多步骤榜单上没有赢家:GAIA2的ICLR 2026论文显示,前沿水平约为42%(pass@1),GPT-5(high)以42.1%居首,且没有任何系统在每项能力上都占优;而Claude每步token较少,单任务成本却比GPT-5(high)更高。
资金押注的是编排层:2026年11月13日,LangChain在CapitalG领投下以30亿美元估值融资3亿美元——是其此前估值的两倍多。
🇨🇳 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。
- 1Claude Code (Claude Opus 5.5, Max effort)
同月在盲测人类投票榜和重新评分的经验证编程榜上都领先的唯一智能体——在Arena Agents上以+20.14%居首,在Terminal-Bench 4.1上得分65.76%。
来源 ↗ - 2Devin Fusion CLI (Cognition)
AA榜单上有史以来公布的最高指数分数——68分,比Claude Code高两分——通过将前沿领先模型与便宜的GPT-6 Luna搭档,每任务成本降低31%。
来源 ↗ - 3GitHub Copilot (Copilot Fusion)
每任务价格只有领先者的一半,指数仅落后两分,并且是唯一在Terminal-Bench 4.0上以71分直接领先的条目。
来源 ↗ - 4Claude Fable 5.2 (Claude Code)
在Terminal-Bench上与65.8%并列领先,却消耗了157亿token——几乎是Opus 5.5的80亿的两倍——才达到同一数字:证明了却不节俭。
来源 ↗ - 5GPT-6 Astra (OpenAI Codex)
每任务花费是OpenAI智能体中最高的——最大强度下9.90美元——而在同一榜单上,比其自己xhigh的7.12美元运行只多0.3分。
来源 ↗ - 6Gemini 4 Argon / Carbon (Google Antigravity)
赢得智能指数(60分),在盲测人类投票中获得亚军(16.72%)——但其唯一的Terminal-Bench数据是自我报告,榜单拒绝对其排名。
来源 ↗ - 7GPT-6.1 Sol (OpenAI Codex)
前沿的性价比冠军:Astra在Terminal-Bench上得分的93%,而每任务价格只有其19%——1.92美元对9.90美元。
来源 ↗ - 8Claude Sonnet 5.5 (Claude Code)
在Terminal-Bench 4.1上排第二,却是4.0榜单上最贵的顶级条目——每任务22.22美元,耗用194亿token和7300美元,得分63.9%。
来源 ↗ - 9Kimi K3.1 Pro (Moonshot AI, open weights)
开放权重的异类:在Terminal-Bench领先的6分之内,每百万token定价$3/$15——而在智能指数上比Opus低13分。
来源 ↗ - 10OpenCode + GLM-5.3 (open source)
AA编程智能体指数上唯一的开源运行框架——每任务4.24美元得53.6分——证明决定护城河的是运行框架,而不只是模型。
来源 ↗
Kimi 注意到的内容
品味、实证和价格分别选出三位不同的冠军:Claude Opus 5.5赢得盲测人类投票(Arena Agents上+20.14%);AA指数的领先位置在Claude Code和Devin Fusion之间易手(10月21日快照中为68分);而GPT-6.1 Sol在每任务成本上获胜(在Terminal-Bench 4.0上58.2%,每任务1.92美元)。
经验证与自我报告结果之间的GAIA差距约为20个百分点:普林斯顿HAL榜单经验证的最佳成绩为74.55%(总运行成本178.20美元),而开放榜单上匿名的自我报告达到94.35%——并且在2026年4月,加州大学伯克利分校的一个漏洞利用智能体在GAIA上得分约98%,却没有解决任何一项任务。
GAIA2重新设定了对“智能体”宣称的期望:在Meta那个时间不断流逝的动态世界中,领先者(高推理水平的GPT-5)仅通过42.1%的场景,而最佳开放模型(Kimi-K2)约为20%。
资金流向的是编排层,而非模型:2026年11月13日,LangChain以30亿美元估值融资3亿美元——就在Devin Fusion和Copilot Fusion表明在多个模型之间路由本身就是产品的几天之后。
🇨🇳 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。
- 1Claude Code with Claude Fable 5.2
Fable 5.2在Arena上以30.35%居首,并与编程指数领先者并列58分——但其xhigh运行花费15.47美元,是Codex的1.50美元的十倍。
来源 ↗ - 2Gemini 4 Carbon in Antigravity CLI
Carbon在CursorBench上以60.4%获胜,花费9.22美元;而Arena的顶级模型在同样的多文件任务上得分60.0%,花费32.79美元。
来源 ↗ - 3Claude Code with Claude Opus 5.5
Opus 5.5曾是Arena第一,也是编程指数61.7分的参考——每任务11.42美元,它既不是最便宜的,也不是最贵的前沿模型。
来源 ↗ - 4GitHub Copilot Fusion
Fusion得分59.9,花费5.59美元,并在Terminal-Bench上以71.2领先——以一半的价格落后Claude Code两分。
来源 ↗ - 5Devin Fusion CLI
Devin Fusion以8.00美元得61.5分,仅比搭配Opus 5.5的Claude Code低0.2分,且使用了1046万token而非1452万。
- 6OpenAI Codex with GPT-6.1 Sol
Codex搭配GPT-6.1 Sol在指数上比领先者少六分,但仅花费1.50美元——比最大强度的Claude Code便宜7.6倍。
来源 ↗ - 7Claude Code with Claude Sonnet 5.5
Sonnet 5.5在Arena上以15.95%排第四,但其13.30美元的编程任务成本,高于得分相近的Copilot Fusion的5.59美元。
来源 ↗ - 8OpenAI Codex with GPT-6 Astra
Astra在Arena上以14.54%排第六,在编程指数上花费7.04美元——比Opus 5.5便宜,但在经验证的合并上落后。
来源 ↗ - 9Kimi K3.1 Pro agent
Kimi在Terminal-Bench 4.1上以68%领先,每任务约5.27美元,但Arena投票者只给了它5.2%,将其排在第11位。
来源 ↗ - 10Claude Code with Claude Fable 5.1
Fable 5.1在Arena上以14.82%排第五,在CursorBench的多文件任务上花费17.28美元——仍是前沿,只是不再是头条。
来源 ↗
DeepSeek 注意到的内容
同一周内出现两位不同的冠军:Arena 11月11日发布的结果中,Fable 5.2以30.35%居首;而CursorBench 4.0中,Gemini 4 Carbon以60.4%居首——模型的排名取决于榜单抽取的是哪一类任务分布。
编程最高分与最便宜的编程分数相差29倍:Fable 5.2在最大强度下,在AA指数上每任务花费44.22美元;而Codex GPT-6.1 Sol花费1.51美元。
Copilot Fusion完成一项编程任务用时36.1分钟,Claude Code为61.0分钟——快41%,便宜51%,但综合分低两分。
GAIA的运行框架效应大于大多数模型差距:同一模型裸跑时可得44%,在构建良好的智能体框架内可得74%,相差30个百分点。
🇨🇳 Wenxin10 个名次 · 4 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。
- 1Claude Opus 5.5 (Anthropic 2026)
在LMArena上以1512 Elo与Terminal-Bench 4.0的最高分65.15%并列
来源 ↗ - 2Claude Fable 5.2 (Anthropic 2026)
Agent Arena第一,净用户提升+30.48,同时Terminal-Bench为65.15%
来源 ↗ - 3Claude Sonnet 5.5 (Anthropic 2026)
APEX-Agents得分75.5%排名第一,每百万token定价5/5/25,是顶级中性价比最高者
来源 ↗ - 4Atria Dawn Preview (Shanghai AI Lab 2026)
BenchLM经验证的智能体综合得分92.5/100,是全球排名最高的开源权重智能体
来源 ↗ - 5Kimi K3.1 Pro (Moonshot AI 2026)
Terminal-Bench 4.0排名第四,得分63.64%,是顶级开源编程智能体
来源 ↗ - 6Gemini 4 Carbon (Google 2026)
Agent Arena排名第三,净提升+16.90,每任务1.46美元,P50运行时间最快,为10分钟
来源 ↗ - 7GPT-5.6 Sol (OpenAI 2026)
LMArena Elo 1514,在保留推理功能的情况下,ARC-AGI-3得分为原来的3倍
来源 ↗ - 8Gemini 4 Argon (Google 2026)
Agent Arena最低成本每任务0.712美元,P50运行时间7分钟
来源 ↗ - 9DeepSeek V4 Pro (DeepSeek 2026)
Terminal-Bench Hard最高,每百万token定价1.74/1.74/3.48,是最好的开源编程性价比
来源 ↗ - 10Muse Code + Muse Wonder (Meta 2026)
FuncPass 91.6%排名第一,SecPass 25.1%排第七,是有史以来测得的功能与安全差距最大的
来源 ↗
Wenxin 注意到的内容
排名前三的Claude智能体在Terminal-Bench 4.0上得分均≥64%,这是其他厂商都未能跨越的门槛
开启两个简单的API设置,使GPT-5.6 Sol的ARC-AGI-3得分提高三倍,输出token减少6倍
Muse Wonder录得有史以来最高的FuncPass/SecPass差距,比率为27.4%
Agents’ Last Exam最难一级的全部通过率,在所有主流系统中仍低于1%
🇨🇳 Qwen10 个名次 · 3 条备注
同一个问题,仅由 Qwen 回答。上方的最终榜单综合了所有 AI。
- 1Claude Code with Opus 5.5
在Artificial Analysis编程智能体指数上以61.7分居首,同时支撑Agent Arena的顶级梯队,且没有Fable那样的溢价。
来源 ↗ - 2Claude Fable 5.2 (Max)
在Agent Arena的盲测人类投票中领先,胜率30.48%,但为此花费约为Opus 5.5的2.6倍。
来源 ↗ - 3Gemini 4 Carbon
在编程智能体指数上得59分,API价格恰好是Claude Opus 5.5的一半,堪称效率之王。
来源 ↗ - 4GPT-6 Sol
在Agent Arena工作榜上排名第二,在编程智能体指数上平均每任务2.99美元。
来源 ↗ - 5GitHub Copilot Fusion
编排OpenAI和Anthropic的模型,得分比Opus 5.5低2分,而每任务成本只有一半。
来源 ↗ - 6Sage-A1.5
在独立的普林斯顿HAL GAIA榜单上以95.1%与经验证的最高分并列,同时在Artificial Analysis上也有出色表现。
来源 ↗ - 7CustomGPT.ai Research Lab v44
在Hugging Face官方追踪榜上以97.85%的成功率主导GAIA多步骤助手基准。
- 8Gemini 4 Hydrogen (High)
以+14.8%的净提升,在6,500次真实智能体会话中首次亮相即排名Agent Arena第五。
来源 ↗ - 9OpenAI Codex (GPT-5.6 Sol)
7月在编程智能体指数上得80分,在SWE-bench Verified拆分之前领先OpenAI的运行框架。
来源 ↗ - 10Devin
尽管小时定价高昂,Cognition的自主软件工程师仍是Agent Arena和GAIA对比中的常客。
来源 ↗
Qwen 注意到的内容
多智能体编排在性价比上正超越原始前沿模型。GitHub Copilot Fusion编排OpenAI和Anthropic的模型,得分仅比Claude Opus 5.5低2分,同时将每任务成本减半。
“品味与实证”之间的差距非常大。Claude Fable 5.2在Agent Arena的盲测人类投票中胜率为30.48%,但其成本是Opus 5.5的2.6倍,而经验证的任务完成度只有边际提升。
LangChain的30亿美元估值(2026年11月13日融资3亿美元),反映了市场从单一模型转向编排框架,而这正是GitHub Copilot Fusion这类多智能体省钱方案背后的技术。