以前给大模型打分，通常是看两个回答哪个更好，这种模式对文本或图像模型很有效。但当 AI 智能体成为主流，评测规则就彻底改变了。智能体和普通的聊天机器人有很大区别，它们需要真正去执行任务，比如读写文件、编写代码、在沙盒环境里运行 bash 脚本，还要处理深度多轮的工作流。

为了解决这个问题，Agent Arena 建立了一套新的评测机制。它不仅收集用户对任务结果的反馈，还会观察智能体在幕后的实际动作，记录下它们采取的每一个步骤和做出的决策。这些海量数据最后会汇入排行榜，直观地展示出不同模型在实际工作中的指令遵循能力和幻觉程度。

从看回答到看行动，AI 评测标准的进化，折射出大模型正在从“嘴把式”走向“实干家”。对于开发者来说，这种全方位的实战评测，才是观察大模型真实生产力的最佳窗口。

#AI智能体##AgentArena##智能体测评# http://t.cn/AXSmWG2P