# 策展 · X (Twitter) 🔥🔥🔥🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Arena.ai (@arena) · 平台：X (Twitter) · 日期：2026-07-08

> 原始來源：https://x.com/arena/status/2074484787663052849

## 中文摘要

Claude Sonnet 5 進入 Agent Arena 排行榜。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/a32ce229dc6dbbf6.jpg)
> 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。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/f85e3df50d6fdff8.jpg)
> 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](http://arena.ai/blog/agent-arena-methodology)；若需查看完整排名與詳細數據，請前往 [Agent Arena Leaderboard](http://arena.ai/leaderboard/agent)。

## 媒體內容

**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。**

**數據表**

| 項目 | 數值 |
| --- | --- |
| 1. Claude Fable 5 (High)* | +14.1% |
| 2. Claude Opus 4.8 (Thinking) | +9.9% |
| 3. GPT-5.5 (xHigh) | +8.4% |
| 4. Claude Opus 4.7 | +8.2% |
| 5. Claude Opus 4.7 (Thinking) | +8.1% |
| 6. Claude Sonnet 5 (Thinking) | +7.4% |
| 7. GPT-5.5 (High) | +7.2% |
| 8. GPT-5.4 (High) | +6.7% |
| 9. GLM-5.2 (Max) | +6.7% |
| 10. GPT-5.5 | +6.5% |
| 11. Claude Opus 4.6 | +6.2% |
| 12. Claude Opus 4.8 | +4.7% |
| 13. Claude Sonnet 4.6 | +2.5% |
| 14. GLM-5.1 | +1.7% |
| 15. Kimi-K2.7 Code | +0.7% |
| 16. Gemini-3.1 Pro | -0.5% |
| 17. DeepSeek-V4 Flash | -1.0% |
| 18. Kimi-K2.7 Code (2) | -1.2% |
| 19. Kimi-K2.6 Code | -1.6% |
| 20. Kimi-K2.6 | -1.8% |
| 21. MiniMax-M3 | -2.5% |
| 22. DeepSeek-V4 Pro | -2.7% |
| 23. MiniMax-M3 (2) | -4.5% |
| 24. Qwen-3.6 Plus | -4.8% |
| 25. Gemini-3.5 Flash | -6.6% |

**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。**

**數據表（1）總體表現**

| 項目 | 數值 |
| --- | --- |
| Overall Rank | #6 |
| Net Improvement | +7.4% |

**數據表（2）各項指標淨改善與排名**

| 項目 | 數值 |
| --- | --- |
| Overall (排名 7) | +7.4% |
| Confirmed Success (排名 2) | +12.2% |
| Praise vs Complaint (排名 6) | +13.4% |
| Steerability (排名 15) | +0.9% |
| Bash Recovery (排名 12) | +9.2% |
| Tool Hallucination (排名 19) | +1.1% |

## 標籤

Agent, Benchmark, Claude, Anthropic, Claude