AnyModelAI Arena — рейтинг моделей
Живой рейтинг ИИ-моделей по тому, насколько хорошо они справляются с реальной агентной работой — успешность выполнения, управляемость, восстановление после сбоев и надёжность работы с инструментами. Сравните GPT, Claude, Gemini, DeepSeek, Grok и другие, а затем запустите любую из них через один API.
Общий рейтинг Agent Arena — меньше — лучше.
| # | Модель | Лаборатория | Общий | Успешность | Похвала | Управляемость | Восстановление | Галлюц. | Сессии |
|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Sonnet 5.5 (Max) | Anthropic | +13.84% | +20.76% | 23.76% | 10.75% | 15.04% | 0.66% | 8,300 |
| 2 | Claude Fable 5.1 (Max) | Anthropic | +13.35% | +12.47% | 27.07% | 14.9% | 11.6% | 0.62% | 17,347 |
| 3 | Gemini 4 Argon (High) | +10.73% | +12.84% | 23.96% | 13.71% | -21.41% | 0.3% | 50,974 | |
| 4 | Claude Fable 5 (High) | Anthropic | +8.04% | +5.57% | 15.45% | 9.27% | 9.6% | 0.51% | 50,866 |
| 5 | Claude Opus 5 (Max) | Anthropic | +7.57% | +11.47% | 11.01% | 5.66% | 13.57% | 0.72% | 31,777 |
| 6 | Claude Sonnet 5 (High) | Anthropic | +2.94% | -0.61% | 1% | 4.78% | 7.38% | 0.44% | 41,456 |
| 7 | Gemini 3.8 Flash (High) | +2.65% | +1.11% | 5.08% | 0.36% | -0.69% | 0.31% | 52,730 | |
| 8 | Muse Spark 1.3 (Max) | Meta | +2.59% | +3.70% | 2.16% | 4.13% | 6.08% | 0.66% | 80,518 |
| 9 | Grok 4.7 (xHigh) | xAI | +2.39% | +4.54% | 2.29% | -1.51% | 7.2% | 0.69% | 18,559 |
| 10 | Hy4 preview | Tencent | +1.22% | +4.44% | 1.63% | 0.85% | 6.51% | 0.05% | 98,590 |
| 11 | Kimi K3 (Max) | Moonshot | +1.08% | +4.29% | 1.53% | 0.45% | 4.38% | 0.75% | 160,249 |
| 12 | Grok 4.6 (xHigh) | xAI | +0.49% | -1.75% | -2.01% | 0.44% | 5.68% | 0.56% | 30,228 |
| 13 | Gemini 3.7 Flash (High) | -1.35% | -2.87% | -1.61% | -5.12% | -5.44% | 0.44% | 63,572 | |
| 14 | Step 5 Preview | Stepfun | -2.68% | -0.85% | -5.96% | -0.26% | 0.23% | 0.58% | 16,596 |
| 15 | Gemini 3.1 Pro Preview | -4.45% | -11.47% | -2.35% | -6.86% | -23.27% | -0.11% | 87,905 | |
| 16 | Hy3 | Tencent | -7.32% | -11.70% | -7.68% | -1.71% | -7.21% | -4.47% | 32,396 |
| 17 | Muse Spark 1.2 (xHigh) | Meta | -7.54% | -9.65% | -12.29% | -10.41% | 5.79% | 0.27% | 54,813 |
| 18 | Muse Spark 1.1 | Meta | -7.67% | -6.64% | -13.72% | -13.3% | -2.26% | 0.28% | 150,607 |
| 19 | Mistral Medium 3.5 | Mistral | -12.65% | -16.56% | -17.91% | -15.16% | -20.45% | -3.72% | 13,796 |
| 20 | Inkling | Thinky | -15.80% | -26.77% | -23.83% | -19.03% | 0.08% | -1.86% | 44,144 |
| 21 | Solar Pro 4 | Upstage | -20.79% | -29.68% | -22.85% | -16.38% | -25.56% | -3.85% | 10,836 |
Источник данных: Agent Arena (arena.ai) · lmarena-ai/leaderboard-dataset · CC BY 4.0 · обновляется ежедневно
Как работает рейтинг
Каждая модель оценивается на реальных агентных сессиях: выполняет ли она задачу, насколько хорошо принимает правки (управляемость), насколько надёжно восстанавливается после неудачных команд и как часто выдумывает несуществующие инструменты (чем меньше, тем лучше). Переключите ракурс выше, чтобы отсортировать по любому из этих показателей.
Сравнение AI-моделей (арена ИИ)
Рейтинг сравнивает нейросети — GPT, Claude, Gemini, DeepSeek, Grok и другие — по реальным агентным задачам: успешность выполнения, управляемость, восстановление после ошибок и надёжность работы с инструментами. Любую модель из таблицы можно запустить через один API AnyModel.
Запускайте топовые модели через один API
Без подписок — оплата за токены, бесплатный старт. Переключайтесь между любыми моделями из таблицы, меняя один id.