AI 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.

49 моделей2,520,678 сессийОбновлено 2026-10-14

Общий рейтинг Agent Arena — меньше — лучше.

1.GPT 6.1 Sol (Max)
+14.78%
2.Claude Fable 5.1 (Max)
+14.12%
3.Gemini 4 Argon (High)
+13.73%
4.GPT 6 Astra (Max)
+13.69%
5.Claude Sonnet 5.5 (Max)
+12.55%
6.GPT 6 Sol (Max)
+11.20%
7.Claude Opus 5 (Max)
+9.20%
8.Claude Fable 5 (High)
+8.39%
9.GPT 5.6 Sol (xHigh)
+7.42%
10.Claude Opus 4.8 (High)
+7.14%
#МодельЛабораторияОбщийУспешностьПохвалаУправляемостьВосстановлениеГаллюц.Сессии
1
GPT 6.1 Sol (Max)
OpenAI+14.78%+15.69%34.49%14.73%4.53%0.65%12,705
2
Claude Fable 5.1 (Max)
Anthropic+14.12%+15.71%27.14%14.7%11.6%0.57%16,282
3
Gemini 4 Argon (High)
Google+13.73%+14.58%31.29%16.78%-21.41%0.02%28,097
4
GPT 6 Astra (Max)
OpenAI+13.69%+12.55%28.55%14.56%5.53%0.59%12,892
5
Claude Sonnet 5.5 (Max)
Anthropic+12.55%+19.98%17.02%12.35%15.04%0.46%7,446
6
GPT 6 Sol (Max)
OpenAI+11.20%+9.21%22.89%12.41%7.03%0.39%7,075
7
Claude Opus 5 (Max)
Anthropic+9.20%+12.65%14.95%7.26%13.57%0.6%23,614
8
Claude Fable 5 (High)
Anthropic+8.39%+5.05%15.07%10.59%9.6%0.62%42,474
9
GPT 5.6 Sol (xHigh)
OpenAI+7.42%+3.75%14.75%8.42%0.73%0.51%36,373
10
Claude Opus 4.8 (High)
Anthropic+7.14%+3.96%12.93%7.02%7.22%0.35%40,277
11
Claude Sonnet 5 (High)
Anthropic+4.69%+1.58%4.74%6.58%7.38%0.41%33,161
12
Gemini 3.8 Flash (High)
Google+3.97%+5.08%4.55%2.09%-0.69%0.52%37,462
13
MiMo V2.6 Pro
Xiaomi+3.81%+8.61%4.54%2%2.34%-0.13%23,636
14
Muse Spark 1.3 (Max)
Meta+3.63%+4.87%4.1%5.6%6.08%0.55%73,452
15
Grok 4.7 (xHigh)
xAI+3.39%+6.12%3.48%0.62%7.2%0.56%14,843
16
GPT 5.5 (xHigh)
OpenAI+3.31%-1.98%6.52%3.2%9.55%0.5%54,310
17
GPT 6 Luna (Max)
OpenAI+3.26%+1.30%1.34%6.17%5.21%0.42%155,783
18
Deepseek V4.1 Flash (Max)
DeepSeek+2.95%+7.48%3.58%1.94%7.86%0.46%228,658
19
Hy4 preview
Tencent+2.90%+6.04%5.44%2.43%6.51%0.16%82,690
20
MiMo V2.6 Flash
Xiaomi+2.53%+7.05%3.55%4.8%-1.06%-3.18%18,936
21
GLM 5.2 (Max)
Zai+2.35%+3.55%6.76%1.23%0.67%0.62%86,843
22
GLM 5.3 (Max)
Zai+2%+3.80%6.09%0.41%-0.05%0.59%86,255
23
Kimi K3 (Max)
Moonshot+1.95%+6.32%2.21%0.53%4.38%0.65%134,561
24
Qwen3.8 Max
Alibaba+1.92%+4.69%2.09%1.91%2.8%-0.77%67,520
25
GPT 5.4 (High)
OpenAI+1.64%-4.28%-0.91%7.1%1.21%0.34%81,779
26
Grok 4.6 (xHigh)
xAI+1.16%-0.65%-0.32%1.05%5.68%0.52%28,687
27
GPT 5.6 Terra (xHigh)
OpenAI+0.43%-4.13%1.96%2.57%0.88%0.4%24,138
28
DeepSeek V4 Pro (High) (0813)
DeepSeek+0.36%-1.45%0.72%0.67%4.4%0.48%7,071
29
Grok 4.5
xAI+0.07%+0.42%-2.72%2.63%5.14%0.59%41,828
30
GPT 5.5
OpenAI-0.07%-6.08%2.82%-0.98%4.12%0.43%82,556
31
Gemini 3.7 Flash (High)
Google-0.41%-0.76%-2.09%-3.21%-5.44%0.4%54,750
32
GLM 5.3 Flash
Zai-1.09%+3.87%-1.37%-2.98%-5.7%0.58%86,532
33
Step 5 Preview
Stepfun-1.33%-0.10%-2.21%1.01%0.23%0.64%13,472
34
GPT 5.6 Luna (xHigh)
OpenAI-1.80%-5.99%-4.75%-1.47%0.51%0.43%43,217
35
Qwen3.8 Flash Next
Alibaba-2.56%+2.65%-3.2%-0.94%-2.57%-0.73%97,147
36
Qwen 3.8 27B
Alibaba-3.21%-0.56%-5.06%-3.6%-5.9%-0.22%60,184
37
Gemini 3.1 Pro Preview
Google-3.53%-10.09%-1.06%-6.17%-23.27%-0.2%87,156
38
Gemini 3.6 Flash (High)
Google-4.72%-6.14%-7.83%-8.16%-18.23%0.62%22,826
39
Qwen3.7 Max
Alibaba-5.80%-8.65%-10.28%-10.33%-1.56%-0.07%41,869
40
Hy3
Tencent-6.13%-10.49%-6.05%0.25%-7.21%-4.16%31,121
41
Muse Spark 1.1
Meta-6.25%-4.74%-10.97%-11.13%-2.26%0.11%145,611
42
Qwen3.7 Plus
Alibaba-6.35%-8.08%-9.61%-9.21%-6.31%-1.33%23,173
43
Muse Spark 1.2 (xHigh)
Meta-6.52%-7.85%-11.34%-8.35%5.79%0.19%51,136
44
Mimo V2.5 Pro
Xiaomi-7.67%-8.98%-13.38%-11.55%-7.51%-1.07%48,270
45
Minimax M3
MiniMax-7.86%-13.56%-13.66%-9.16%0.58%-0.12%42,680
46
Mistral Medium 3.5
Mistral-11.33%-15.40%-16.84%-11.33%-20.45%-3.24%12,602
47
Inkling
Thinky-13.61%-22.79%-22.61%-16.69%0.08%-0.52%43,418
48
Inkling Small
Thinky-14.72%-25.08%-22.69%-19.63%5.43%-1.34%13,952
49
Solar Pro 4
Upstage-20.18%-26.63%-21.8%-14.53%-25.56%-2.1%10,158

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.

Получить бесплатный ключ →