Claude Sonnet 5.5 进入 Arena 的 Agent Arena 与 Battle Mode 评测

Arena 宣布 Anthropic 的 Claude Sonnet 5.5 已进入 Agent Arena 并开放投票。该评测基于全球用户数百万个真实长程智能体任务，模型可调用 web search、filesystem 和 terminal 工具完成复杂工作流，榜单采用因果追踪方法衡量模型相对平均模型的结果表现。

此前模型评测多以静态题目或单轮对话为主，而这次把长程智能体任务、真实用户数据和工具调用纳入同一榜单，并用因果追踪做相对比较，意味着评测维度从“答题能力”转向“完成复杂工作流的能力”。

数百万真实长程任务提供分布广泛、贴近实际使用的样本，web search、filesystem、terminal 三类工具覆盖信息检索与本地操作，因果追踪则试图在混杂因素中定位模型本身对结果的贡献，从而得到相对平均模型的表现差值而非绝对分数。

对研发团队而言，可参考该榜单判断模型在真实工作流中的工具调用与多步任务表现，作为选型依据；对产品团队而言，工具调用能力成为可比较指标，提示在流程设计中提前考虑模型与检索、文件系统、命令行环境的集成方式。

• 在 Agent Arena 开放投票期间，跟踪 Claude Sonnet 5.5 在 web search、filesystem、terminal 任务上的相对表现，作为模型选型参考
• 围绕长程智能体任务构建内部评测集，复用因果追踪思路衡量模型对业务结果的净贡献
• 在涉及检索、文件读写、命令行操作的产品流程中，优先验证 Claude Sonnet 5.5 的工具调用链路稳定性

• Agent Arena 与 Battle Mode 的具体投票机制和榜单更新频率尚未在证据中说明
• 因果追踪方法的具体实现与相对平均模型的基准定义未给出细节
• 数百万真实长程任务的数据来源、授权方式与隐私处理方式未提及
• Claude Sonnet 5.5 在三个工具上的单独表现分数未在证据中披露