@arena：GPT-5.5 (xHigh) 在 Agent Arena 評測中排名第二，展現出優異的 Bash 除錯與使用者回饋表現。 OpenAI 推出的「GPT-…

GPT-5.5 (xHigh) 在 Agent Arena 評測中排名第二，展現出優異的 Bash 除錯與使用者回饋表現。 OpenAI 推出的「GPT-5.5 (xHigh)」在 Agent Arena 的實戰評測中取得總排名第二的佳績，整體淨提升（net improvement）達 10.6%，僅次於「Claude Fable 5 (High)」。此評測系統透過數百萬次真實世界的長週期 Agent 任務，驗證模型在程式撰寫、檔案分析及網路搜尋等複雜工作流程中的實際效能。 根據 Agent Arena 排行榜，GPT-5.5 (xHigh) 以 +10.6% 的淨改善率位居第二，成為排名最高的 OpenAI 模型，僅次於 Claude Fable 5 (High) 的 +12.9%。 效能細項分析 根據 Agent Arena 的訊號拆解數據，GPT-5.5 (xHigh) 在多項關鍵指標上表現突出： 讚賞與抱怨（Praise vs. Complaint）：排名第一，表現優於 Claude Fable 5，淨提升達 29.4%。 Bash 恢復能力（Bash Recovery）：排名第一，在處理 Bash 指令錯誤時的修正效率提升 14.1%。 工具幻覺（Tool Hallucination）：排名第四，錯誤呼叫不存在工具的機率降低 2.1%。 確認成功率（Confirmed Success）：排名第九，提升 5.4%。 可控性（Steerability）：排名第十二，提升 1.9%。 GPT-5.5 (xHigh) 在 Agent Arena 整體排名第二（淨改善 +10.6%），僅次於 Claude Fable 5 (High)，並在 Praise vs. Complaint 與 Bash Recovery 兩項指標中奪得第一名。 評測方法論 「Agent Arena」採用獨特的「因果追蹤（causal tracing）」方法論，而非傳統的兩兩投票機制。該系統將 Agent 視為包含模型、工具與 harness 的多組件系統，透過隨機化組件選擇來進行多重介入的隨機對照試驗，藉此量化各組件對任務成功率、使用者回饋及環境互動的具體貢獻。 實戰應用數據 在為期 7 天的觀測窗口中，Agent Arena 處理了超過 16 萬項真實使用者任務，涵蓋程式開發、除錯、文件建立及多步驟工作流程。數據顯示： 程式撰寫（17.5%）與研究搜尋（10.8%）為最主要的任務類別。 系統共發出超過 200 萬次結構化工具呼叫，其中 bash 指令呼叫約 93.6 萬次，write_file 呼叫約 55 萬次。 隨著任務複雜度提升，約 32% 的工作階段在最終步驟達到 128k token 以上的輸入視窗，顯示 Agent 處理長上下文的能力已成為實戰關鍵。 在 Agent Arena 統計的 160,480 個真實使用者任務中，程式碼編寫（Code writing）為最主要的任務類型，佔比達 17.5%，其次為研究與查詢（Research / lookup）佔 10.8%。 使用者行為洞察 研究指出，使用者在與 Agent 互動時，傾向於直接交付完整任務而非僅尋求建議。然而，當 Agent 執行過程中出現偏差時，使用者會頻繁介入修正。此外，報告中提到 Agent 常見的「虛張聲勢（Bluster）」現象，即模型在被糾正時表現得過於自信，但實際上並未真正解決問題，這也是未來評測與模型優化需持續關注的重點。更多詳細資訊可參考 Agent Arena 評測方法論。原文：https://easyvibecoding.app/curated/1908