最新资讯
dev.to 让模型改写文档前,先量化事实保真度 dev.to 回放 153 个 Claude Code 与 Codex 会话,审计 Agent 的生产影响范围 dev.to 银行 77 意图分类最便宜 LLM:GPT-6.1 Terra 每次成功任务 $0.000727 theinformation.com Chesky的副业:Airbnb向CEO新设AI实验室出售IP theverge.com OpenAI 宣布数据中心项目不再与公职人员签署保密协议 dev.to NVIDIA 发布四个开放 Cosmos 3 仿真模型 dev.to 真实 MCP 客户端击穿我们服务器的五种方式 theverge.com Airbnb 正在开发 AI 旅行 agent,计划 2027 年上半年推出 wechat 这可能是美国AI最魔幻的一天。 nytimes.com 美众议院共和党领袖要求 Nvidia 黄仁勋闭门简报 pub.towardsai.net 忘掉我:为记忆而设计的系统中的删除难题 marktechpost.com Google 发布 Gemini Omni 1.2 Flash:15 秒视频,每秒 0.07 美元
多元动态
登录 注册
智能体 x.com · @Arena.ai (@arena)

DeepSeek-V4.1-Flash-20261017 (Max) 登顶 Agent Arena 开源模型榜首

原文 我的收藏

Arena.ai 称 DeepSeek-V4.1-Flash-20261017 (Max) 在 Agent Arena 中成为排名第一的开源模型,综合排名第 11,基于约 7500 个真实会话取得 +5.1% 净提升。分项上,Confirmed Success 第 8(+11.5%,开源第一)、Praise vs. Complaint 第 11、Bash Reliability 第 12、Steerability 第 13,并称未出现工具幻觉问题。每任务中位成本 0.20 美元,约为 GPT-6.1 Sol 27% 的成本实现其约 37% 的提升;性能高于该模型的均为成本更高的闭源模型。

AI推荐理由 Arena.ai 官方账号发布的 Agent Arena 榜单结果,给出了具体排名、信号分项和成本对比(每任务中位成本 $0.20,约为 GPT-6.1 Sol 27% 成本实现约 37% 提升),信息密度较高且可追溯到榜单页面。局限:数据来自单一评测平台的自报榜单,未提供独立复现或方法细节,'无工具幻觉问题'等结论需谨慎看待;互动量仅作传播信号,未计入评分。

72 浏览 54,221 点赞 669 评论 28 转发 63

正文

Big news: DeepSeek-V4.1-Flash-20261017 (Max) by @deepseek_ai is now the #1 open model in Agent Arena! It just landed at #11 overall with +5.1% net improvement across +7.5K real-world sessions. This performance also reshapes the Agent Arena Pareto frontier! All models above V4.1-Flash 20261017 in performance are proprietary at much higher cost. At $0.20 median cost per task, that’s ~37% of GPT-6.1 Sol’s improvement for about 27% of the cost. By signal, this release achieves: - #8 in Confirmed Success with +11.5% (#1 open) - #11 in Praise vs. Complaint with +5.9% (#1 open) - #12 in Bash Reliability with +5.4% (#1 open) - #13 in Steerability with +2.5% (#1 open) - No issues with Tool Hallucination Find more info on signals at the link in thread on Agent Arena. Congrats to the @deepseek_ai team on this release!

来源报道 · 1 篇 · 以下链接均前往原始媒体

← 返回精选动态 原文

更多内容