OnlySOTA

AI 代理

不只回答一輪，而是藉助工具把一件事辦完。這裡回答兩個問題：派哪個模型上場，用哪個框架驅動它。

截至 2026-10-10：Artificial Analysis LLM Leaderboard · Terminal-Bench 4.0 第一是 Claude Sonnet 5.5（63.6%）。Artificial Analysis Coding Agent Index 第一是 Claude Sonnet 5.5（0.684）。Arena — Agent · Overall 第一是 Claude Opus 5.5（0.143）。斬殺者是 Claude Haiku 5.5，混合價每百萬 token $0.20。

榜單AA · Artificial Analysis LLM Leaderboard · 抓取於 2026-10-10 04:41 UTC AA-CODE · Artificial Analysis Coding Agents · 抓取於 2026-10-10 04:41 UTC A-AGENT · Arena — Agent · 資料截至 2026-10-08 · 抓取於 2026-10-09 04:41 UTC
SOTA
13個模型
得分高過斬殺者
第一 · AA
Claude Sonnet 5.5
63.6% · $4.00
斬殺者 · 價格
Claude Haiku 5.5
$0.20
最便宜的 SOTA
Ling 3.1 Flash
33.3% · $0.45
排行 · AA 1–64% · AA-CODE 0.28–0.68 · A-AGENT -0.02–0.17
  1. 163.6%0.6840.120
  2. 259.6%0.6600.143
  3. 359.6%0.6160.131
  4. 457.1%0.6380.093
  5. 556.1%0.6290.117
  6. 655.1%0.6220.127
  7. 7上一代49.0%0.5970.081
  8. 8上一代43.9%0.5670.099
  9. 9上一代42.4%—0.089
  10. 1041.9%0.5360.021
  11. 11上一代39.9%0.5460.062
  12. 1238.9%0.4330.023
  13. 1335.4%—0.009
  14. 1434.8%—0.035
  15. 15新上榜33.3%——
  16. 1633.3%0.5430.040
  17. 1733.3%0.5120.000
  18. 18新上榜斬殺者32.8%0.414—
檢視 AA 的全部 119 個模型 →
斬殺線：得分 × 價格

斬殺者是全場性價比最高的模型：比它貴、得分又不更高的，都被它斬殺。 斬殺線是怎麼畫的 →歷任斬殺者 →

Terminal-Bench 4.0 · 刻度從 0 開始20%40%60%0$0.05$0.25$1.00$20.0063.6%$4.00Claude Sonnet 5.5斬殺者Claude Haiku 5.532.8% · $0.20SOTA低成本被斬殺Blended Price, USD per 1M tokens (3:1 input:output) · log10
斬殺線前沿線：沒有哪個模型在價格和得分上同時勝過它們SOTA低成本被斬殺空心點或淺色叉：該榜的估算值

Claude Sonnet 5.5

anthropic/claude-sonnet-5-5 · 閉源 · $4.00 · SOTA

檢視完整頁面 →
各榜成績
  • Artificial Analysis LLM Leaderboard56.0第 2 名，共 375 個
  • Arena — Agent0.120第 4 名，共 52 個
  • Artificial Analysis Coding Agents0.684第 1 名，共 24 個
  • Epoch AI Benchmarking Hub88.8%第 7 名，共 82 個
  • Terminal-Bench 4.061.8%第 2 名，共 35 個
  • Arena — Code1774第 3 名，共 142 個
  • Arena — Text1476第 32 名，共 414 個
  • Arena — Vision1266第 39 名，共 165 個
不同推理強度下的成績

Artificial Analysis LLM Leaderboardmax 最高

  1. low35.9
  2. medium40.8
  3. high46.8
  4. xhigh51.9
  5. max56.0

Artificial Analysis Coding Agents · Claude Codemax 最高

  1. low0.421
  2. medium0.459
  3. high0.550
  4. xhigh0.629
  5. max0.684

Arena — Codexhigh 最高

  1. high1715
  2. xhigh1774

只測了一檔

  • Arena — Agent · agentmax0.120
  • Epoch AI Benchmarking Hubmax88.8%
  • Terminal-Bench 4.0 · Claude Codemax61.8%
  • Arena — Textxhigh1476
  • Arena — Visionxhigh1266

這個場景參考哪些榜

模型

比較模型本身，不論由什麼框架驅動。Artificial Analysis 按完成的任務打分；Arena 根據真實使用中的工具呼叫可靠性、任務完成度和指令遵循度打分。

執行框架

同一批資料換個角度看：比較的是驅動模型的代理框架。HarnessTax 讓每個模型在每個框架裡都跑一遍，所以兩行之間的差距只來自框架，但它只跑了一次就停了；Artificial Analysis 覆蓋的框架更多，但大多只搭配自家廠商的模型；Terminal-Bench 官方榜一直在收新的成績。