GPT-6.1 上线 Agent Arena 评测平台

Arena 宣布 OpenAI 的 GPT-6.1 已上线其 Agent Arena 评测平台，用户投票将参与对该模型的评估，具体分数即将公布。该平台通过数百万个真实世界、长时程智能体任务来评测模型，模型可调用网页搜索、文件系统和终端工具完成复杂工作流，排行榜使用因果追踪方法衡量模型相对平均模型的结果表现。

与此前以静态问答或短任务为主的评测方式相比，这次把模型放进可调用搜索、文件系统与终端的真实长时程任务中，并让用户投票参与评估。评测场景从单轮回答转向多步骤工作流，考核维度更贴近实际使用中的智能体能力。

Agent Arena 以长时程任务为评测单元，模型在任务中可调用外部工具，因此分数反映的是工具调用与多步执行的综合表现。排行榜采用因果追踪方法，衡量模型结果相对平均模型的表现，用相对值而非绝对值呈现能力差异，以降低任务难度差异带来的干扰。

对产品与研发团队而言，这类评测把智能体的工具调用与长时程执行纳入可比口径，可作为选择底层模型、评估智能体产品效果的参考。用户投票参与评估也意味着评测结果会受真实使用反馈影响，团队在选型时需关注分数公布后的任务分布与投票口径。

• 在 Agent Arena 上提交自有智能体工作流任务，观察 GPT-6.1 在搜索、文件系统与终端调用上的实际表现
• 围绕长时程任务设计内部评测集，按因果追踪思路对比 GPT-6.1 与现用模型的相对表现
• 待分数公布后，整理 GPT-6.1 在智能体任务中的成本与成功率数据，用于模型选型评估

• GPT-6.1 在 Agent Arena 的具体分数尚未公布
• 用户投票在最终评估中的权重和统计方式未被说明
• 评测覆盖的任务类型与行业分布尚不明确
• GPT-6.1 的定价、可用范围和接入方式未在证据中提及