Agent 竞技总榜

ModelSage人类盲测

取真实 Agent 会话的行为信号加权：任务确认完成、好评 vs 差评、可操控性、Bash 可靠性、工具幻觉；分数是相对基准的偏移，越高越好。

收录模型 55 个模型 5 维行为信号加权分 · 数据日期 2026-10-29 16:44

收录 55 个模型的5 维行为信号加权分成绩，榜首是 Claude Opus 5.5 (Max)（20.8），榜内平均 0.0，涉及 18 家厂商。这份数据的时间是 2026-10-29 16:44（北京时间）。

收录模型 55 与官方榜单一致，同一模型的不同推理档位各占一行

主指标 5 维行为信号加权分 取真实 Agent 会话的行为信号加权：任务确认完成、好评 vs 差评、可操控性、Bash 可靠性、工具幻觉；分数是相对基准的偏移，越高越好。

榜内平均 0.0 同榜内直接可比，跨榜不可比

数据日期 2026-10-29 16:44 这一批成绩的公布时间

5 维行为信号加权分排名

人类盲测 · 55 个模型

名次与分数与官方榜单一致，名次不重排。条形长度按榜内最小值到最大值拉伸，领跑那条填满整列；官方没给价格的模型显示「—」。分数后面的 ± 是官方给的统计误差，鼠标停在条上可看。

Agent 竞技总榜 5 维行为信号加权分排名
排名	模型	厂商	任务确认	好评差评	可操控	Bash 可靠性	工具幻觉	会话数	5 维行为信号加权分
1	Claude Opus 5.5 (Max)	Anthropic	+22.1	+45.3	+17.6	+15.8	+0.6	12.1k	20.8
2	Claude Sonnet 5.5 (Max) 并列 2-7	Anthropic	+21.7	+23.2	+10.8	+13.2	+0.6	8.1k	14
3	GPT-6 Astra (Max) 并列 2-7	OpenAI	+13.2	+29.8	+14.5	+9.3	+0.7	14.6k	14
4	Claude Fable 5.1 (Max) 并列 2-7	Anthropic	+13.9	+27.7	+15.3	+10.6	+0.6	17.1k	13.9
5	GPT-6.1 Sol (Max) 并列 2-7	OpenAI	+13.7	+31.3	+13.7	+3.9	+0.7	16.1k	13.6
6	Gemini 4 Argon (High) 并列 2-7	Google	+13.5	+26.6	+14.4	-4.0	+0.4	45.8k	11.7
7	Muse Wonder Full (Max) 并列 2-10	Meta	+11.8	+20.0	+11.8	+8.7	+0.4	14.5k	10.7
8	GPT-6 Sol (Max) 并列 7-12	OpenAI	+6.9	+14.1	+11.1	+11.7	+0.6	10.3k	8.6
9	Claude Opus 5 (Max) 并列 7-12	Anthropic	+11.6	+12.4	+6.7	+11.3	+0.7	24.4k	8.2
10	Claude Fable 5 (High) 并列 8-12	Anthropic	+3.4	+15.3	+9.6	+11.9	+0.6	43.6k	7.8
11	Kimi K3.1 Pro (Max) 并列 7-15	Moonshot	+2.0	+19.0	+8.3	+8.3	+0.7	4.1k	7.6
12	GPT-5.6 Sol (xHigh) 并列 8-15	OpenAI	+1.9	+10.4	+8.4	+12.0	+0.6	37.5k	6.1
13	DeepSeek-V4.1-Flash-20261017 (Max) 并列 11-19	DeepSeek	+7.1	+6.0	+3.6	+5.1	+0.4	34.7k	4.4
14	Claude Sonnet 5 (High) 并列 11-27	Anthropic	-1.1	+3.8	+6.0	+15.4	+0.4	34.0k	3.8
15	Muse Wonder (Max) 并列 11-29	Meta	+7.7	+1.1	+3.7	+6.5	-0.8	11.1k	3.3
16	MiMo-V2.6-Pro 并列 13-24	Xiaomi	+6.9	+4.1	+2.1	+3.7	-0.1	44.0k	3.3
17	Gemini 3.8 Flash (High) 并列 13-26	Google	+2.9	+4.2	+1.2	+10.9	+0.6	39.7k	3.2
18	Muse Spark 1.3 (Max) 并列 13-25	Meta	+4.3	+2.9	+4.8	+2.3	+0.7	78.0k	3.1
19	Grok 4.7 (xHigh) 并列 13-31	SpaceXAI	+6.0	+3.5	-1.5	+9.7	+0.7	16.6k	3
20	GPT-6 Luna (Max) 并列 14-24	OpenAI	+0.5	+0.5	+5.7	+10.7	+0.6	194.4k	2.8
21	DeepSeek-V4.1-Flash-20260910 (Max) 并列 14-27	DeepSeek	+5.8	+2.9	+1.0	-0.2	+0.6	259.5k	2.3
22	MiMo-V2.6-Flash 并列 14-31	Xiaomi	+6.2	+2.6	+4.7	-1.9	-3.0	22.9k	2.1
23	Hy4 preview 并列 14-31	Tencent	+5.1	+3.4	+1.6	-2.2	+0.1	93.8k	2
24	GLM-5.2 (Max) 并列 14-31	Z.ai	+2.8	+4.8	+1.3	-4.0	+0.7	90.1k	1.7
25	Kimi K3 (Max) 并列 16-31	Moonshot	+5.2	+2.0	+0.3	-2.3	+0.7	139.5k	1.6
26	GLM-5.3 (Max) 并列 18-31	Z.ai	+2.6	+4.8	-0.2	-4.7	+0.7	88.1k	1.2
27	Claude Haiku 5.5 (High) 并列 17-32	Anthropic	+1.7	-4.0	+4.5	+7.6	-0.9	27.9k	1.1
28	Qwen3.8-Max 并列 20-31	Alibaba	+3.8	+1.1	+1.4	-0.9	-0.8	75.3k	1.1
29	Grok 4.6 (xHigh) 并列 20-34	SpaceXAI	-1.8	-1.3	+0.5	+9.6	+0.6	29.8k	0.6
30	GPT-5.6 Terra (xHigh) 并列 21-36	OpenAI	-4.4	+2.0	+2.0	+1.4	+0.6	25.2k	0.2
31	DeepSeek-V4-Pro (High, 20260813) 并列 21-37	DeepSeek	-3.2	+0.6	-0.4	+2.4	+0.6	7.3k	-0.3
32	GPT-6 Luna (Medium) 并列 28-37	OpenAI	-5.6	-3.1	+2.1	+7.0	+0.6	28.2k	-0.6
33	Gemini 3.7 Flash (High) 并列 29-37	Google	-2.9	-2.2	-4.5	+6.8	+0.5	56.1k	-1.3
34	GLM-5.3-Flash 并列 31-37	Z.ai	+2.4	-2.9	-3.3	-9.9	+0.7	92.1k	-1.8
35	Step 5 Preview 并列 30-41	StepFun	-0.5	-4.8	+0.4	-9.9	+0.7	15.4k	-2
36	MiniMax-M3.1-Flash 并列 29-42	MiniMax	+3.0	-5.0	-5.6	-5.5	+0.2	9.6k	-2.3
37	Beam 1.0 501B A23B 并列 30-44	Reflection	-7.2	-2.2	-5.6	+4.4	-0.9	12.1k	-3
38	Qwen3.8-Flash-Next 并列 35-42	Alibaba	+1.6	-3.8	-2.1	-19.4	-0.8	105.3k	-3.3
39	Qwen3.8-27B 并列 35-42	Alibaba	-2.6	-6.5	-3.7	-11.1	-0.1	62.6k	-4.1
40	Gemini 3.1 Pro Preview 并列 35-45	Google	-12.3	-2.4	-6.4	+2.3	-0.1	87.7k	-4.4
41	GPT-6 Luna (Low) 并列 36-44	OpenAI	-12.6	-8.7	-0.7	+1.3	+0.7	18.5k	-4.6
42	Mistral Large 4 并列 35-47	Mistral	-0.3	-5.1	+0.1	+1.1	-18.0	14.1k	-5.1
43	Qwen3.7-Max 并列 39-47	Alibaba	-9.9	-10.2	-10.5	+4.0	-0.2	42.7k	-6.4
44	Hy3 并列 39-48	Tencent	-11.6	-7.9	-0.8	-12.5	-4.1	32.0k	-6.8
45	Muse Spark 1.1 并列 42-47	Meta	-6.2	-12.7	-11.5	-1.4	+0.3	149.2k	-6.9
46	Muse Spark 1.2 (xHigh) 并列 42-48	Meta	-9.2	-11.8	-9.2	-3.4	+0.2	53.5k	-7
47	Qwen3.7-Plus 并列 41-49	Alibaba	-10.2	-10.3	-10.7	+1.7	-3.1	24.0k	-7.4
48	MiMo-V2.5-Pro 并列 45-49	Xiaomi	-10.7	-14.3	-12.8	-0.3	-1.0	49.5k	-8.7
49	MiniMax-M3 并列 47-51	MiniMax	-17.2	-16.2	-10.0	-0.1	-1.8	43.7k	-10.1
50	Mistral Medium 3.5 并列 49-53	Mistral	-17.5	-17.4	-12.8	-6.7	-3.5	13.5k	-12.1
51	NVIDIA-Nemotron-3.5-Super-VL-120B-A12B (NVFP4) 并列 50-54	Nvidia	-18.3	-20.4	-11.2	-12.0	-5.1	5.2k	-13.6
52	Nemotron 3 Ultra 并列 49-55	Nvidia	-23.0	-16.4	-16.8	-18.6	-0.7	13.3k	-14.7
53	Inkling 并列 50-54	Thinky	-25.1	-23.0	-18.1	+0.3	-1.0	43.9k	-14.9
54	Inkling-Small 并列 51-54	Thinky	-27.5	-21.8	-23.2	+3.1	-1.7	14.4k	-16.1
55	Solar Pro 4	Upstage	-29.4	-22.5	-15.3	-42.7	-2.6	10.6k	-20.2