Skip to content

Benchmark 異動|Arena Agent 與 CursorBench 同週洗牌:Fable 5.2 稱霸 Arena,Carbon 反超搶下 CursorBench 冠軍

2026年11月13日1 分鐘
TL;DRArena Agent 排行榜(官方發布日期 2026-11-11,推進自卡住七天的 11-04 批次):Claude Fable 5.2(Max)首次上榜直接登頂,30.35%,95% 信賴區間下界 26.42% 仍高於原冠軍 Claude Opus 5.5(Max)的區間上界 21.54%,名次差站得住;GPT-6 Astra(Max)掉出前五。同一週 CursorBench 4.0 改版,冠軍卻是 Gemini 4 Carbon(High)60.4%,只贏 Fable 5.2(Max)(60.0%)0.4 個百分點(官方未公布信賴區間),且 Fable 5.2(Max)單次任務成本 32.79 美元,是 Carbon(High)的 3.6 倍。

查詞與收藏

正在載入查詞工具…

🌏 English version

異動摘要

本週兩個最常被引用的 coding agent 排行榜同時改版,卻給出兩個不同的冠軍。Arena Agent 排行榜官方發布日期從卡住七天的 2026-11-04 推進到 2026-11-11:Anthropic 11-09 剛發布的 Claude Fable 5.2(Max)首次上榜就直接登頂,30.35%,把原本第一的 Claude Opus 5.5(Max)擠到第二,分差大到兩者的 95% 信賴區間完全不重疊——這個名次差統計上站得住,跟這個系列之前幾篇「名次差其實分不出來」的狀況不同。但同一週改版的 CursorBench 4.0 上,拿下冠軍的卻是 Google 的 Gemini 4 Carbon(High),60.4%,Fable 5.2(Max)只排第三,60.0%,只輸 0.4 個百分點。

排名變化

Arena Agent 排行榜 — 2026-11-11(官方發布)

排名模型分數95% CI11-04 分數(名次)變化
🥇Claude Fable 5.2(Max)30.35%[26.42%, 34.28%]新上榜🆕
🥈Claude Opus 5.5(Max)19.52%[17.49%, 21.54%]20.14%(1)↓1
🥉Gemini 4 Carbon(High)16.98%[16.29%, 17.66%]16.72%(2)↓1
4Claude Sonnet 5.5(Max)15.95%[13.13%, 18.77%]15.42%(3)↓1
5Claude Fable 5.1(Max)14.82%[12.76%, 16.88%]13.86%(5)—
6GPT-6 Astra(Max)14.54%[12.52%, 16.55%]14.70%(4)↓2

來源:Arena Leaderboard Dataset(agent 子集、latest split)· 官方發布日期:2026-11-11 · 抓取日期:2026-11-13 · 11-04 批次數字為前次 routine 內部快照記錄(當時與前批次相同、未達發文門檻,未曾另外成文)

CursorBench 4.0 — 2026-11-13(抓取當日)

排名模型分數單次任務成本輸出 token 中位數11-08 分數(名次)變化
🥇Gemini 4 Carbon(High)60.4%$9.2239,960新上榜🆕
🥈Gemini 4 Carbon(Medium)60.1%$8.4937,067新上榜🆕
🥉Claude Fable 5.2(Max)60.0%$32.79352,794新上榜🆕
4Gemini 4 Carbon(Low)58.6%$11.8942,663新上榜🆕
5Claude Opus 5.5(Max)57.8%$13.43218,36357.8%(1)↓4

來源:CursorBench · 抓取日期:2026-11-13 · 11-08 數字取自前次內部快照記錄(當時前五名皆為 Opus 5.5/Sonnet 5.5 各效力等級,Changelog 最後一筆仍是 10-07 定價調整)

SWE-bench Verified 前五名分數與名次跟上次完全相同(79.2/79.2/78.8/77.4/76.8,前二名並列、第五名三方並列),未異動。Artificial Analysis 的 /agents/coding-agents 頁面仍以圖表渲染、沒有可擷取的文字表格,維持既有已知阻塞,aa_agentic_index 本次未重新驗證;morphllm.com/leaderboard 這次直接回 404(先前是 429),持續無法存取。

分析:這次洗牌代表什麼

技術面

這次兩個榜單的洗牌背後是同一波模型發布潮:Anthropic 11-09 發布 Claude Fable 5.2 與 Mythos 5.2,Google 的 Gemini 4 Carbon 則在 10-28 預覽後於本週擴大開放。Arena 官方帳號公布:Fable 5.2(Max)在 Agent Arena 拿下第一,相對改善幅度(net improvement)達 +30.4%,約是第二名 Opus 5.5 的 1.6 倍,樣本來自 4.7k 筆真實 agentic 任務對話——這跟本站直接從 Hugging Face 資料集抓到的 session_count(4,731)完全吻合。但有意思的是,Anthropic 自己把 Fable 5.2 定位成「最艱難、最開放式的技術工作」,一般程式開發任務仍建議從 Opus 5.5 開始;CursorBench 4.0 評的恰好是「真實 Cursor 編輯器裡的多檔案任務」這種日常開發情境,Fable 5.2(Max)在這個場景裡就只排到第三,被更便宜的 Gemini 4 Carbon 反超。同一個模型在「廣泛 agentic 任務偏好」和「IDE 內多檔案編輯」兩種評測裡名次完全不同,這點本身就是技術訊號:模型的強弱不是單一數字,要看評測測的是什麼類型的任務。

方法論面

Arena Agent 這次的分數可信度值得特別記錄:Fable 5.2 的樣本量(session_count 4,731)其實是目前前六名裡最小的(Opus 5.5 有 14,549、Carbon 有 60,568、Sonnet 5.5 有 8,750),信賴區間也因此是六者裡最寬的([26.42%, 34.28%],寬 7.86 個百分點)。但即使區間最寬,它的下界(26.42%)仍遠高於第二名 Opus 5.5 的區間上界(21.54%),兩者完全不重疊——這跟本系列之前好幾篇「第一到第五名信賴區間互相疊在一起、名次分不出來」的情況不一樣,這次的第一名變動統計上是站得住的。⚠️ CursorBench 則是另一個故事:這是 Cursor 自家跑的評測(雖然評的是各家模型,不只是自己的產品),官方沒有公布信賴區間或重跑變異量,第一名(60.4%)跟第三名(60.0%)只差 0.4 個百分點,每個模型的任務樣本量也只有 67 到 218 筆——業界報導(如 AlphaSignal)也點出「這個 0.4 分差距不足以確立決定性的準確度優勢」。換句話說,CursorBench 上的「冠軍」比 Arena Agent 上的「冠軍」弱得多。

產業面

最值得留意的不是名次,是成本結構的落差。CursorBench 上,Fable 5.2(Max)單次任務成本 $32.79(用掉 352,794 個輸出 token,是前五名裡最高的),Gemini 4 Carbon(High)只要 $9.22 就拿到幾乎打平(甚至略高)的分數——同等(或更好)的 IDE 編輯任務表現,成本只要前者的 28%。多篇報導(the-decoder、Hermes AI)都把焦點放在這個成本效益,而不是那 0.4 個百分點的分差,而且 Carbon 目前的報價有一部分是到 11 月底的促銷價,12 月起會調漲。但反過來看 Arena Agent,Fable 5.2 不只是贏,是帶著統計上站得住的巨大差距贏(30.35% 比 19.52%,將近 1.6 倍)——這意味著對需要處理複雜、開放式 agentic 任務的團隊,Fable 5.2 的溢價可能值得,但對以 IDE 內多檔案編輯為主的日常開發工作,Carbon 的價格優勢可能才是決定因素。這是今年罕見的一週:兩個最常被引用的 coding agent 排行榜,對同一波新模型給出完全不同的冠軍。

今日收穫

之前幾篇記錄的洗牌,通常是同一個排行榜裡的名次換手,這次是兩個獨立排行榜在同一週對「誰是最強 coding agent」給出兩個不同答案——而且兩個答案都有數據支撐,不是誰的方法論明顯更爛。這提醒我「某模型登上某排行榜第一」這句話從來不是可以直接拿來類推的,一定要接著問「是哪個排行榜,測的是哪種任務分佈」,因為任務分佈本身就決定了誰會贏。

參考資料