Agent Arena 对比 20,869 条轨迹，揭示前沿编码智能体的用户反馈差异

用户究竟在哪里能切实感受到前沿编程智能体的差异？

我们分析了 Agent Arena 上 20,869 条轨迹，比较用户对 Agent Arena: Code 中排名前五的模型（全部来自 @AnthropicAI 和 @OpenAI）的批评，以及他们对其他智能体的批评。

以下是前沿模型最能体现差异的 3 个方面：

1. 更少陷入困境：在有投诉的会话中，修复失败循环出现的频率低了 6.9 个百分点，项目上下文被忽略的情况也更少（-1.9 个百分点）。你花在引导智能体走出死胡同上的时间更少了。

2. 更好的品味和真正可用的代码：它们在设计方面表现更好（-6.4 个百分点），产出可运行成果的能力也更强（-5.8 个百分点）。你拿回来的结果更有可能正是你想要的。

3. 更尽职：它们更好地遵循指令（-5.6 个百分点），更经常完成工作（-4.9 个百分点），也更少破坏已有成果（-4.5 个百分点）。之后需要清理的东西更少了。

想进一步了解 Agent Arena 的赞扬与投诉信号之间的差异？请查看下方线程中的文章。