Рейтинг агентов
Динамика рейтинга
Таблица борда
Снимок от 28 октября 2026, категория «общий зачёт». Показано 51 из 51 строк полного снимка. Оценка и интервал — из источника; интервал не равен диапазону мест.
| Место | Модель | Разработчик | Оценка агента | Интервал | Наблюдения | Лицензия |
|---|---|---|---|---|---|---|
| 1 | Claude Opus 5.5 (Max) | Anthropic | 0,209 | 0,188–0,231 | 2 019 583 | Proprietary |
| 2 | Gemini 4 Carbon (High) | 0,160 | 0,150–0,170 | 3 581 185 | Proprietary | |
| 3 | Claude Sonnet 5.5 (Max) | Anthropic | 0,138 | 0,112–0,165 | 1 100 317 | Proprietary |
| 4 | Claude Fable 5.1 в режиме max | Anthropic | 0,134 | 0,115–0,153 | 2 176 172 | Proprietary |
| 5 | GPT-6 Astra (Max) | OpenAI | 0,130 | 0,109–0,150 | 1 187 197 | Proprietary |
| 6 | GPT-6.1 Sol (Max) | OpenAI | 0,125 | 0,114–0,135 | 2 491 780 | Proprietary |
| 7 | Gemini 4 Argon (High) | 0,107 | 0,099–0,115 | 5 552 564 | Proprietary | |
| 8 | Claude Fable 5 в режиме high | Anthropic | 0,080 | 0,069–0,091 | 3 344 866 | Proprietary |
| 9 | GPT-6 Sol (Max) | OpenAI | 0,080 | 0,063–0,096 | 2 598 143 | Proprietary |
| 10 | Claude Opus 5 в режиме max | Anthropic | 0,076 | 0,064–0,088 | 4 435 133 | Proprietary |
| 11 | GPT-5.6 Sol (xHigh) | OpenAI | 0,048 | 0,038–0,058 | 6 126 242 | Proprietary |
| 12 | Muse Wonder (Max) | Meta | 0,031 | 0,017–0,046 | 1 808 022 | Proprietary |
| 13 | Claude Sonnet 5 в режиме high | Anthropic | 0,029 | 0,018–0,041 | 4 886 376 | Proprietary |
| 14 | MiMo-V2.6-Pro | Xiaomi | 0,028 | 0,019–0,036 | 4 802 357 | MIT |
| 15 | Gemini 3.8 Flash в режиме high | 0,027 | 0,018–0,035 | 7 867 776 | Proprietary | |
| 16 | Muse Spark 1.3 (Max) | Meta | 0,026 | 0,018–0,034 | 8 403 345 | Proprietary |
| 17 | Grok 4.7 (xHigh) | xai | 0,024 | 0,009–0,039 | 3 328 169 | Proprietary |
| 18 | GPT-6 Luna (Max) | OpenAI | 0,022 | 0,018–0,026 | 34 619 592 | Proprietary |
| 19 | DeepSeek-V4.1-Flash-20260910 (Max) | DeepSeek | 0,019 | 0,016–0,023 | 42 504 300 | MIT |
| 20 | Claude Haiku 5.5 (High) | Anthropic | 0,014 | 0,004–0,025 | 3 567 086 | Proprietary |
| 21 | GLM-5.2 (Max) | zai | 0,013 | 0,005–0,020 | 8 700 096 | MIT |
| 22 | Hy4 preview | Tencent | 0,012 | 0,006–0,019 | 10 555 916 | Apache 2.0 |
| 23 | Kimi K3 в режиме max | Moonshot AI | 0,011 | 0,005–0,017 | 15 590 153 | Kimi K3 license |
| 24 | MiMo-V2.6-Flash | Xiaomi | 0,010 | -0,001–0,022 | 2 995 304 | MIT |
| 25 | GLM-5.3 (Max) | zai | 0,009 | 0,001–0,017 | 10 997 629 | MIT |
| 26 | Grok 4.6 в режиме xhigh | xAI | 0,005 | -0,007–0,016 | 3 647 053 | Proprietary |
| 27 | Qwen3.8-Max | Alibaba | 0,005 | -0,002–0,011 | 7 792 769 | Proprietary |
| 28 | DeepSeek-V4-Pro (High, 20260813) | DeepSeek | -0,003 | -0,020–0,014 | 913 441 | MIT |
| 29 | Gemini 3.7 Flash (High) | -0,014 | -0,022–-0,005 | 6 040 757 | Proprietary | |
| 30 | GPT-5.6 Terra (xHigh) | OpenAI | -0,014 | -0,022–-0,006 | 3 502 716 | Proprietary |
| 31 | GLM 5.3 Flash | Z.ai | -0,023 | -0,030–-0,017 | 12 979 678 | MIT |
| 32 | Step 5 Preview | StepFun | -0,027 | -0,040–-0,013 | 2 555 544 | Proprietary |
| 33 | Qwen3.8-Flash-Next | Alibaba | -0,040 | -0,047–-0,033 | 15 862 412 | qwen-community-1.0 |
| 34 | Gemini 3.1 Pro Preview | -0,045 | -0,058–-0,031 | 2 936 702 | Proprietary | |
| 35 | Qwen3.8 27B | Alibaba Qwen | -0,045 | -0,053–-0,036 | 7 988 882 | Apache 2.0 |
| 36 | Beam 1.0 501B A23B | Reflection | -0,049 | -0,073–-0,026 | 686 396 | Apache 2.0 |
| 37 | Mistral Large 4 | Mistral AI | -0,060 | -0,082–-0,039 | 1 038 308 | Proprietary |
| 38 | GPT-6 Luna (Low) | OpenAI | -0,062 | -0,070–-0,055 | 2 438 006 | Proprietary |
| 39 | Qwen3.7 Max | Alibaba Qwen | -0,066 | -0,078–-0,054 | 2 254 697 | Proprietary |
| 40 | Hy3 | Tencent | -0,073 | -0,088–-0,059 | 1 214 847 | Apache 2.0 |
| 41 | Qwen3.7 Plus | Alibaba Qwen | -0,074 | -0,091–-0,057 | 1 252 907 | Proprietary |
| 42 | Muse Spark 1.2 в режиме xhigh | Meta | -0,075 | -0,084–-0,067 | 3 734 181 | Proprietary |
| 43 | Muse Spark 1.1 | Meta | -0,077 | -0,083–-0,070 | 8 395 973 | Proprietary |
| 44 | MiMo-V2.5-Pro | Xiaomi | -0,089 | -0,099–-0,079 | 2 506 654 | MIT |
| 45 | MiniMax M3 | MiniMax | -0,102 | -0,114–-0,090 | 3 541 903 | MiniMax Community License |
| 46 | Mistral Medium 3.5 | Mistral AI | -0,127 | -0,143–-0,110 | 633 506 | Modified MIT |
| 47 | NVIDIA-Nemotron-3.5-Super-VL-120B-A12B (NVFP4) | NVIDIA | -0,149 | -0,162–-0,137 | 649 638 | OpenMDW-1.1 |
| 48 | Nemotron 3 Ultra | NVIDIA | -0,158 | -0,190–-0,125 | 216 338 | OpenMDW-1.1 |
| 49 | Inkling | Thinking Machines Lab | -0,158 | -0,173–-0,143 | 1 729 803 | Apache 2.0 |
| 50 | Inkling Small | Thinking Machines Lab | -0,170 | -0,188–-0,152 | 552 386 | Apache 2.0 |
| 51 | Solar Pro 4 | Upstage | -0,208 | -0,230–-0,186 | 522 529 | Proprietary |
Направления рейтинга · 1Выбрано: общий зачёт
Направление «общий зачёт»: снимок от 28 октября 2026. Строк в полном снимке — 51; строки могут относиться к модели или отдельному режиму. Снимков этого направления в архиве — 43, первый — 4 июня 2026. Оценки, интервалы и места относятся только к выбранному направлению и дате.
Сохранённый редакционный разбор — не пересчитан по текущим данным
Это сохранённый текст, а не автоматически обновляемая сводка. Его числа и выводы требуют повторной проверки; актуальные значения приведены в таблицах и карточках этой страницы. Дата одобрения текста не является датой замера.
Направление «Агентные задачи» измеряет не ответ в диалоге, а выполнение задачи. Оценка строки — доля задач, завершённых успешно; считается отдельное наблюдение, то есть одна задача, а не голос человека за ответ. Снимок относится к одной дате: 8 сентября 2026 года, 43 строки.
Границы интервала из источника относятся к самой оценке, а не к месту строки. Пересечение границ означает, что измерение не различает две оценки; диапазоном мест такой интервал не является.
Ширина интервала в первой десятке разная — от 1,40 до 4,35 процентного пункта. Крайние значения ширины пришлись на крайние по числу наблюдений строки, но по остальным строкам десятки такой зависимости нет.
Строка таблицы может относиться не к модели, а к её режиму: 21 строка из 43 — режим, и одна модель занимает в первой десятке два места разными режимами. Состав задач не установлен: снимок сообщает только название зачёта. Зачёт здесь один, поэтому срезов по типам задач в таблице нет.
Вывод редакции
Сохранённый редакционный разбор — не пересчитан по текущим данным
Это сохранённый текст, а не автоматически обновляемая сводка. Его числа и выводы требуют повторной проверки; актуальные значения приведены в таблицах и карточках этой страницы. Дата одобрения текста не является датой замера.
Из 45 пар первой десятки интервалы пересекаются у всех девяти соседних и у всех восьми пар с разрывом в два места. Расхождения начинаются с разрыва в три места, но там расходятся не все пары.
От пяти мест разошлись все 15 пар: нижняя граница первой строки 12,61 % выше верхней границы десятой 6,78 %. Значит, на 8 сентября 2026 года таблица не подтверждает разницу в одно-два места.
Другие рейтинги
- Рейтинг работы с документами
- Рейтинг редактирования изображений
- Рейтинг видео из изображения
- Популярность моделей по использованию через API-агрегаторы
- Рейтинг поисковых моделей
- Рейтинг текстовых моделей
- Рейтинг моделей для кода
- Рейтинг моделей для творческих текстов
- Рейтинг моделей для математики
- Рейтинг моделей для русского языка
- Рейтинг генерации изображений
- Рейтинг генерации видео
- Рейтинг редактирования видео
- Рейтинг моделей с изображениями на входе
- Рейтинг моделей для веб-разработки
Вопросы и ответы
Оценка агента — это доля задач, которые он выполнил успешно?
Нет. Итоговый показатель оценивает изменение результатов относительно базового сравнения и объединяет разные сигналы работы агента. Подтверждённое выполнение задачи — лишь один из них. Поэтому итоговый балл нельзя читать как вероятность, с которой агент справится с вашим поручением.
Можно ли выбрать модель отсюда и ожидать такой же результат в своём агенте?
Рейтинг показывает результат оркестратора в среде Arena, а не вашего агента целиком. В вашем проекте на работу также влияют доступные инструменты, инструкции и обвязка — проверяйте модель в этой связке.
Как считается и откуда данные · данные обновлены 2 ноября 2026
Оценки и интервалы приведены как в открытых замерах оценок людей, без пересчёта; доля использования — по публичным данным API-агрегаторов (топ-K моделей и строка «прочие»); характеристики и цены — из каталогов и провайдеров с датой наблюдения.
- Метрика
- улучшение относительно базового уровня (IPS), с интервалом из источника
- Единица выборки
- наблюдение сигнала работы агента; сессии учитываются отдельно
- Окно
- снимок датасета от 28 октября 2026
- Как читать
- ноль соответствует базовому уровню; положительное значение — улучшение, отрицательное — ухудшение. Это не вероятность успеха и не процент выполненных задач
Полная методика: источники, частота обновления, что означает число