Benchmark 異動｜Arena Agent 排行榜：Claude Opus 5.5 登頂，衛冕一個多月的 Fable 5.1 掉到第三

TL;DRArena Agent 排行榜 10-08 發布：Claude Opus 5.5（High）14.33% 首次登頂（前次 13.82% 第二）、GPT-6 Astra（Max）13.09% 升到第二（前次 12.27% 第四）、Claude Fable 5.1（Max）12.66% 從蟬聯一個多月的第一跌到第三（前次 14.31%）、Claude Sonnet 5.5（Max）11.95% 跌到第四（前次 12.52% 第三）、GPT-6.1 Sol（Max）11.72% 維持第五；四家排名的信賴區間仍大面積重疊

#ai-agent #benchmark #daily #chatbot-arena #agentic-coding

系列: AI Benchmark Watch (4 / 4)

Benchmark 異動｜Arena Agent 排行榜：發布僅 3 天的 Claude Sonnet 5.5 直接空降第三，GPT-6 Astra 被擠到第四

🌏 English version

異動摘要

Arena（前身 LMSYS Chatbot Arena）Agent 類別排行榜最新一次官方發布（2026-10-08）出現第一名易主：Claude Opus 5.5（High）以 14.33% 首次登頂，結束 Claude Fable 5.1（Max）自 09-30 批次起蟬聯一個多月的第一名——Fable 5.1 這次分數從 14.31% 掉到 12.66%，直接跌到第三。GPT-6 Astra（Max）同步從第四升到第二（12.27%→13.09%），把原本排第三的 Claude Sonnet 5.5（Max）擠到第四。這是本系列第三次追蹤到 Agent 排行榜前段重新洗牌，但這次是前三名全部對調位置，幅度比前兩次單純「插隊」更大。

排名變化

Arena Agent 排行榜 — 2026-10-08（官方發布）

排名	模型	分數	10-02 分數	變化
🥇	Claude Opus 5.5（High）	14.33%	13.82%（🥈）	↑1
🥈	GPT-6 Astra（Max）	13.09%	12.27%（4）	↑2
🥉	Claude Fable 5.1（Max）	12.66%	14.31%（🥇）	↓2
4	Claude Sonnet 5.5（Max）	11.95%	12.52%（🥉）	↓1
5	GPT-6.1 Sol（Max）	11.72%	11.23%（5）	—

來源：Arena Leaderboard Dataset（agent 子集、latest split，category=overall）· 官方發布日期：2026-10-08 · 抓取日期：2026-10-10

Arena 官方資料集自 10-02 發布後連續 6 天未更新（本系列 10-05／10-06／10-09 三篇 escalation 記錄都確認過），這次是 10-02 之後的第一批新資料，距離上次發布隔了 6 天，比 10-02→10-04 那次只隔 2 天的更新頻率慢了不少。

分析：這次洗牌代表什麼

技術面

Claude Opus 5.5（High）這次登頂時觀測數（940,970 次）只有 Claude Fable 5.1（1,734,508 次）的約 54%，樣本量不是靠「累積更久」堆出來的優勢；反而是 Fable 5.1 樣本量最大卻分數掉最多（-1.65 個百分點），比較像是新一批對局把過去被 Fable 5.1 佔優勢的任務類型稀釋了，而不是 Fable 5.1 本身表現變差。GPT-6 Astra（Max）這次同時增加樣本量（到 915,013 次，上一批 10-02 時相對落後）又拉高分數（+0.82pp），兩個條件同時成立，是三個變動模型裡唯一「量增、分也增」的——這通常代表新一批對局涵蓋了更多原本 Astra 擅長的任務型態，而不只是統計噪音。

方法論面

⚠️ 跟前兩篇一樣的提醒：Arena 這裡的分數是自家的相對勝率量化分數，不是傳統 Elo 積分，同一模型不同批次的分數不能直接做精確的「漲跌百分點」計算，只能看排名順序與分數量級的相對變化。

信賴區間這次仍然大面積重疊：第一名 Opus 5.5 的 95% CI 是 [12.15%, 16.51%]，第二名 GPT-6 Astra 是 [10.73%, 15.46%]，第三名 Fable 5.1 是 [10.61%, 14.72%]——三個區間互相交疊超過 2 個百分點的範圍，統計上無法明確分出前三名的真正勝負順序。這跟 10-04 那次「四個名次 CI 幾乎完全重疊」的情況如出一轍，意味著「排名易主」這個標題本身比底層分數差異更戲劇化：真正能確定的只是「這三個模型目前仍在同一個無法明確分高下的集團內」，而集團內誰暫時站在最前面，可能很大程度取決於這一批抽樣的任務組合。

產業面

對正在比價的團隊，這次洗牌最值得注意的是價格排序完全沒變：Claude Opus 5.5（$4/$20 per 1M tokens）登頂時，價格仍只有 GPT-6 Astra（$10/$10）的四成左右，卻同時拿下分數最高和信賴區間下界最高（12.15%，三者中最高）兩項——這比上次（10-04）Sonnet 5.5 用「跟前代持平的價格擠進集團」的故事更進一步：便宜的選項不只是「追上」，這次是暫時排在最前面。但考慮到 CI 重疊，現在就把 Opus 5.5 當成「確定的性價比贏家」還太早，比較穩妥的結論是「這個價位帶（$4/$20）至少不再是效能的妥協，值得放進下一輪選型的候選名單」。

今日收穫

連續追蹤三次 Agent 排行榜更新後，我注意到一個規律：每次「第一名易主」的新聞性標題底下，信賴區間幾乎從沒有真正分開過——這代表這類排行榜更適合用來篩出「值得測的候選集團」，而不是用來直接下「哪個模型最強」的結論。下次看到類似標題，應該先問「CI 有沒有重疊」，再決定要不要把它當作選型依據。