@arena：Claude Fable 5 奪冠展現任務執行領先優勢。 核心排名與表現 根據 Arena.ai 的最新評測，Anthropic 推出的「Claude …

Claude Fable 5 奪冠展現任務執行領先優勢。 核心排名與表現 根據 Arena.ai 的最新評測，Anthropic 推出的「Claude Fable 5」以整體排名第一的成績脫穎而出，相較於其他頂尖模型，其淨改善幅度達 11.2%。該模型在兩項關鍵指標上表現尤為突出： 確認任務成功率：提升 18.2%，位居榜首。 讚美與抱怨比率：提升 30.6%，顯示使用者對其產出結果的滿意度極高。 根據 Agent Arena 智慧代理排行榜，Claude Fable 5 以 +11.2% 的淨改善率榮登榜首，超越 Claude Opus 4.8 與 GPT-5.5 等競爭對手。 儘管 Claude Fable 5 在「可控性」（Steerability）指標上排名第 17（下降 6.8%），顯示模型目前仍處於穩定階段，但其執行能力極強。Arena.ai 指出，若該模型能處理某項任務，其完成品質極佳；但若遇到模型無法執行或不願執行的任務，使用者在引導模型達成目標時可能會面臨挑戰。 Claude Fable 5 在 Agent Arena 排行榜中榮登第一名（整體淨改善度 +11.2%），特別在確認成功率（+18.2%）與好評率（+30.6%）上領先幅度最大，但在可控性（-6.8%）上表現較弱，排名第 17。 評測方法論 此次排名採用「因果追蹤」（Causal Tracing）方法論，旨在將 Agent 視為包含模型與 harness 的多組件系統，透過隨機化介入來測量各組件對任務結果的真實貢獻。與傳統的成對投票不同，該方法能精確量化模型在真實世界複雜任務中的表現，包括程式撰寫、檔案系統操作及終端機指令執行等。 Agent Arena 的評測指標 為了反映 Agent 在真實工作場景中的表現，Agent Arena 針對數百萬次互動進行分析，目前主要依據以下五大訊號進行評分： 確認成功率：根據使用者在介面上對任務結果的最終批准或否決。 讚美與抱怨：分析使用者對 Agent 產出的口頭回饋。 可控性：測量 Agent 對使用者即時修正指令的反應與執行能力。 Bash 恢復能力：評估 Agent 在遇到 Bash 指令錯誤時，自我修正並恢復正常運作的效率。 工具幻覺：監測 Agent 呼叫不存在工具或產生無效語法的頻率。 Claude Fable 5 在 Agent Arena 的「確認成功率」與「讚賞對比投訴」兩項關鍵指標中，以顯著優勢大幅領先 Claude Opus 4.8 和 GPT-5.5 等模型，榮登榜首。 如欲深入了解評測細節或查看完整排行榜，可參閱 Agent Arena 官方部落格 或直接前往 Agent Arena 排行榜 進行探索。原文：https://easyvibecoding.app/curated/1870