Claude Sonnet 5 進入 Agent Arena 排行榜

Claude Sonnet 5 進入 Agent Arena 排行榜。 Claude Sonnet 5 (Thinking) 在全新的 Agent Arena 排行榜中首次亮相，並取得了第 6 名（淨改善度 +7.4%）的佳績。 Claude Sonnet 5 的效能表現 根據 Arena.ai 的最新評測，Claude Sonnet 5 在 Agent Arena 的綜合排名位居第六，整體效能提升了 7.4%。該模型在各項指標的具體表現如下： Confirmed Task Success：排名第二，提升 12.2%。 Praise vs. Complaint：排名第六，提升 13.4%。 Bash Recovery：排名第十二，提升 9.2%。 Steerability：排名第十五，提升 0.9%。 Tool Hallucination：排名第十九，提升 1.1%。 評測方法論與背景 Agent Arena 採用「因果追蹤」（causal tracing）方法論來評估 Agent 系統，而非傳統的兩兩投票機制。這種方法將 Agent 視為包含多個組件的系統，透過隨機化組件選擇做多重介入的隨機對照試驗，藉此估算各組件對 Agent 效能的「淨改善」貢獻。此評測數據來自真實使用者在 Agent Mode 下執行軟體工程、財務分析等複雜任務的互動紀錄。 Agent Arena 的評測指標 該排行榜透過五大核心訊號來衡量模型作為 orchestrator（負責選擇工具呼叫的 LLM）的表現： Confirmed success：根據使用者在 Arena UI 上對任務軌跡的最終核准或否決來判定。 Praise vs. complaint：分析使用者對 Agent 輸出的明確文字讚美或抱怨。 Steerability：衡量 Agent 對使用者行內修正（in-line correction）的執行與修復能力。 Bash recovery：計算 Agent 從 bash 錯誤中恢復並發出下一個非錯誤指令所需的步驟數。 Tool hallucination：懲罰 Agent 引用不存在的工具、語法錯誤或將 chain-of-thought token 洩漏至工具欄位的行為。 Claude Sonnet 5 在 Agent Arena 基準測試中取得總排名第 6 名（淨改善 +7.4%）的佳績，其中在確認成功率（+12.2%）、讚賞對投訴比（+13.4%）以及 Bash 恢復能力（+9.2%）方面表現尤為強勁。 欲深入了解因果追蹤方法論，可參考 Agent Arena Methodology；若需查看完整排名與詳細數據，請前往 Agent Arena Leaderboard。原文：https://easyvibecoding.app/curated/2381-claude-sonnet-5-enters-agent-arena-leaderboard