Claude Opus 5.5 Max在Arena平台2026年10月12日发布的第41周榜单中，首次入榜智能体榜就登上第一，覆盖周期为10月5日至11日。它的净提升度为15.53%，任务确认成功率17.29%，工具幻觉率0.37%。但比名次更值得看的，是这组数字的绝对值：当前最强的智能体模型，在真实任务里的净提升度也只有15%出头。
榜首之后，是一条陡峭的落差
智能体榜前列几乎被Anthropic包办：Claude Opus 5.5（High）以14.33%排第二，OpenAI的GPT 6 Astra（Max）以13.09%排第三，Gemini 4 Argon（High）升至第八，其工具幻觉率0.18%为头部最低。国产模型整体处在第二梯队：DeepSeek V4.1 Flash（Max）排第17，净提升度3.80%；Kimi K3（Max）排第18，为3.78%；腾讯Hy4 preview排第19，小米MiMo V2.6 Pro排第20，阿里Qwen3.8 Max排第24，只有2.35%。榜首与国产最好成绩之间，差了约四倍。
这张榜该怎么看，别怎么看
Arena的排名来自匿名盲测投票，综合榜用ELO计分，智能体榜用百分比信号，反映的是用户主观偏好和任务完成信号，不是标准化的绝对能力考试；不同分榜之间不能直接比较，分差在误差范围内应视为并列，新模型也要先积累足够票数。把它当温度计是合适的：它量的不是某个模型会不会做某道题，而是真实用户把多步骤任务交出去之后，愿不愿意确认结果。站内此前对多智能体团队实测的报道也给出过类似提醒：堆智能体数量带来的成本上涨，未必换得来质量提升。
对选型的人意味着什么
如果团队正在给智能体应用选模型，这期榜单的用法很明确：头部模型之间的差距要结合误差范围看，不要为一两名之差换掉整套调用链；国产模型在智能体任务上的差距是真实存在的，涉及工具调用可靠性的核心流程，现阶段更适合先小流量验证再放量。综合榜方面，gemini-4-argon-high以1525分居首，kimi-k3-max排第16，是国产模型在综合榜的最好名次——综合体验与智能体能力，已经是两条不同的竞争线。
