排行榜

能力评测站内热度

外部权威评测，保留原始分数与来源

综合编程 Agent 与工具推理与知识写作与对话语言行业视觉图像视频

Agent 综合命令行可靠性联网搜索文档理解

命令行可靠性Agent Arena 的 bash 可靠性信号：执行终端命令是否稳定成功；偏运维与工程场景。

第 1 名

Claude Opus 5.5 (Max)Anthropic

命令行净提升

15.42pt±0.66

领先第 2 名

+0.01统计并列

来源

Arena2026-10-16

命令行可靠性排名35

model= /

第一梯队2 个模型与第 1 名在 95% 置信区间内无显著差异，名次先后不代表确定的强弱。

名次模型命令行净提升· 95% 区间

01

Claude Opus 5.5 (Max)

Claude Opus 5.5 (Max)

15.42

02

Claude Sonnet 5 (High)

Claude Sonnet 5 (High)

15.41

03

Claude Sonnet 5.5 (Max)

Claude Sonnet 5.5 (Max)

13.35

04

GPT-5.5 (xHigh)

GPT-5.5 (xHigh)

13.19

05

GPT-5.6 Sol (xHigh)

GPT-5.6 Sol (xHigh)

12.20

06

Claude Fable 5 (High)

Claude Fable 5 (High)

11.85

07

Claude Opus 5 (Max)

Claude Opus 5 (Max)

11.72

08

Gemini 3.8 Flash (High)

Gemini 3.8 Flash (High)

11.14

09

GPT-6 Sol (Max)

GPT-6 Sol (Max)

10.93

10

GPT-6 Luna (Max)

GPT-6 Luna (Max)

10.74

11

Claude Fable 5.1 (Max)

Claude Fable 5.1 (Max)

10.24

12

GPT-5.4 (High)

GPT-5.4 (High)

10.10

13

GPT-6 Astra (Max)

GPT-6 Astra (Max)

9.98

14

Grok 4.6 (xHigh)

Grok 4.6 (xHigh)

9.27

15

Grok 4.7 (xHigh)

Grok 4.7 (xHigh)

9.15

16

Claude Haiku 5.5 (High)

Claude Haiku 5.5 (High)

7.87

17

GPT-5.6 Luna (xHigh)

GPT-5.6 Luna (xHigh)

7.18

18

Gemini 3.7 Flash (High)

Gemini 3.7 Flash (High)

6.86

19

GPT 5.5

GPT-5.5

6.76

20

Qwen 3.7 Max

Qwen3.7-Max

5.61

有 7 天前的可比快照后显示周变化。