Arena 追踪六大 AI 实验室智能体四项信号
The biggest gap between AI labs isn't whether their agents get the job done. It's whether users actually enjoy working with them.
Arena 追踪 Anthropic、OpenAI、Google DeepMind、Kimi、xAI 和 DeepSeek 的最佳智能体在 6 月底至 10 月初的四项 Agent Arena 信号，发现实验室间最大差距在于用户是否享受使用体验。Praise vs Complaint 上 OpenAI 和 Anthropic 高出榜单均值 +35 分，Moonshot、xAI 和 DeepSeek 在 +5 至 +13 之间；Confirmed Success 上平均实验室最佳模型三个月内从 -4 升至 +14 分，Anthropic 以 Claude Opus 5.5 (Max) 的 +20 领先。Bash Recovery 分差从 34 缩至 16 分，Steerability 从 19 缩至 11 分。
正文 · AI 翻译
AI 实验室之间最大的差距不在于它们的智能体能否完成任务，而在于用户是否真正享受与它们共事。
我们追踪了 @AnthropicAI、@OpenAI、@GoogleDeepMind、@Kimi_Moonshot、@spacexai 和 @deepseek_ai 的最佳智能体在 6 月底至 10 月初期间使用的 4 项关键 Agent Arena 信号，以观察行业正在如何转变。
有三点尤为突出：1. 用户对某些智能体的喜爱程度远高于其他智能体。
在 Praise vs Complaint（好评与投诉）上，OpenAI 和 Anthropic 比排行榜平均值高出 +35 分。Moonshot、xAI 和 DeepSeek 则落在 +5 至 +13 之间。没有其他信号能将各实验室拉开如此大的差距。
2. 智能体在交付能力上正大幅提升。
在 Confirmed Success（确认成功）上，各实验室最佳模型的平均得分在三个月内从 -4 升至 +14 分。Anthropic 以 Claude Opus 5.5 (Max) 的 +20 领先。
3. 各实验室在错误恢复和引导性上正趋于一致。
自 6 月以来，六家实验室在 Bash Recovery（Bash 恢复）上的分差缩小了一半以上（34 → 16 分），在 Steerability（可引导性）上则几乎减半（19 → 11）。
简而言之，各实验室在避免失败方面正在迎头赶上。
而让用户满意，正是前三名拉开差距的地方。