異動摘要
Arena Agent 類別排行榜 2026-10-13 發布新一批資料，第三名又換人：Claude Fable 5.1（Max）從上一批的第六回到第三，前一批（10-12）剛首次擠進前三的 GPT-6 Sol（Max）掉到第七。第一名 Claude Opus 5.5（Max）不變，GPT-6.1 Sol（Max）穩住第二。從 10-08、10-12 到 10-13 三次發布，第三名分別是 Fable 5.1、GPT-6 Sol、Fable 5.1，這種來回擺盪本身就是今天最值得記下的訊號。
排名變化
Arena Agent 排行榜 — 2026-10-13（官方發布）
| 排名 | 模型 | 分數 | 95% CI | 10-12 分數（名次） | 變化 |
|---|---|---|---|---|---|
| 🥇 | Claude Opus 5.5（Max） | 17.01% | [13.50%, 20.53%] | 17.89%（1） | — |
| 🥈 | GPT-6.1 Sol（Max） | 15.05% | [12.95%, 17.16%] | 13.81%（2） | — |
| 🥉 | Claude Fable 5.1（Max） | 14.32% | [12.28%, 16.37%] | 11.74%（6） | ↑3 |
| 4 | GPT-6 Astra（Max） | 13.69% | [11.35%, 16.03%] | 12.34%（5） | ↑1 |
| 5 | Gemini 4 Argon（High） | 13.59% | [12.01%, 15.17%] | 12.37%（4） | ↓1 |
| 6 | Claude Sonnet 5.5（Max） | 13.00% | [9.83%, 16.16%] | 10.75%（7） | ↑1 |
| 7 | GPT-6 Sol（Max） | 10.51% | [8.21%, 12.82%] | 12.60%（3） | ↓4 |
來源：Arena Leaderboard Dataset（agent 子集、latest split）· 官方發布日期：2026-10-13 · 抓取日期：2026-10-15 · 10-12 數字取自前一篇 Benchmark 異動
SWE-bench Verified 前五名分數與名次跟上一次完全相同（79.2／79.2／78.8／77.4／76.8），沒有異動。
分析：這次洗牌代表什麼
技術面
這次前三名的分數差距比上一批小：第二名到第六名都落在 13.00% 到 15.05% 之間，差距只有 2.05 個百分點。第一名 Opus 5.5（Max）的樣本依舊最少之一，只有 6,025 次對局；排第五的 Gemini 4 Argon（High）有 26,905 次對局，是它的四倍多。樣本少的模型分數本來就容易隨批次擺動，Fable 5.1 的 16,212 次對局與 GPT-6 Sol 的 6,664 次對局，也一樣在兩天內各自上下移動了 2 個百分點以上。
方法論面
⚠️ Arena 的分數是相對勝率量化分數，不是 Elo，不同批次之間的「漲跌」只能看順序與量級。
更重要的是信賴區間：第二到第六名的 95% CI 下界落在 9.83% 到 12.95%、上界落在 15.17% 到 17.16%，彼此大面積重疊；連第一名的下界 13.50% 都落在第二到第六名的區間裡。統計上，這六個模型的先後順序分不出來。一週內第三名換了三次，正好說明名次是在信賴區間裡隨機擺動，不是模型在變強或變弱。
產業面
對要選模型的團隊來說，這張表該讀的是「哪些模型在同一個檔次」，而不是第幾名。目前同一檔次裡價格差距很大：Claude Opus 5.5 是 $4／$20（每百萬 token），GPT-6.1 Sol 是 $2／$10，Gemini 4 Argon 到 11 月 30 日前是 $2／$10、12 月 1 日起調成 $4／$20。在分數統計上分不出高下的情況下，用自己的任務測過、再比較單位任務成本，比追排行榜名次可靠。
今日收穫
上一篇我把 GPT-6 Sol 擠進前三解讀成「這批任務剛好吃到它的強項」，一天後它就掉回第七。這讓我修正了讀法：在信賴區間重疊的榜上，單一批次的名次跳動不需要解釋，連續幾批都維持在同一個位置才值得解釋。