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.

56 моделей2,144,575 сессийОбновлено 2026-08-31

Общий рейтинг Agent Arena — меньше — лучше.

1.Claude Opus 5 (High)
+13.77%
2.Claude Opus 5 (Max)
+11.61%
3.Claude Fable 5 (High)
+10.58%
4.GPT 5.6 Sol (xHigh)
+9.76%
5.Claude Opus 4.8 (High)
+9.51%
6.Kimi K3 (Max)
+8.74%
7.GPT 5.5 (xHigh)
+7.89%
8.Claude Sonnet 5 (High)
+7.48%
9.Claude Opus 4.7 (High)
+6.64%
10.Claude Opus 4.7
+6.33%
#МодельЛабораторияОбщийУспешностьПохвалаУправляемостьВосстановлениеГаллюц.Сессии
1
Claude Opus 5 (High)
Anthropic+13.77%+15.59%21.87%15.56%15%0.82%21,433
2
Claude Opus 5 (Max)
Anthropic+11.61%+15.64%18.91%7.19%15.47%0.86%17,073
3
Claude Fable 5 (High)
Anthropic+10.58%+7.74%18.9%13.37%11.98%0.88%34,905
4
GPT 5.6 Sol (xHigh)
OpenAI+9.76%+7.89%22.82%8.38%8.82%0.89%28,524
5
Claude Opus 4.8 (High)
Anthropic+9.51%+5.86%20.7%11.46%9.83%-0.28%36,887
6
Kimi K3 (Max)
Moonshot+8.74%+16.89%16.2%1.85%7.86%0.89%94,549
7
GPT 5.5 (xHigh)
OpenAI+7.89%+2.61%13.34%8.74%13.88%0.88%50,040
8
Claude Sonnet 5 (High)
Anthropic+7.48%+0.98%12.24%12.4%11.05%0.74%27,467
9
Claude Opus 4.7 (High)
Anthropic+6.64%+4.09%10.61%6.39%11.29%0.8%36,570
10
Claude Opus 4.7
Anthropic+6.33%+3.65%10.63%7.86%8.66%0.83%37,121
11
GPT 5.5 (High)
OpenAI+6.10%+1.68%10.65%5.87%11.4%0.89%73,880
12
GLM 5.2 (Max)
Zai+6.08%+8.49%10.59%5.45%4.99%0.89%65,079
13
Grok 4.5
xAI+6.06%+6.01%5.63%7.2%10.57%0.89%34,008
14
Qwen3.8 Max
Alibaba+6.01%+10.76%6.8%5.4%7.18%-0.11%18,386
15
DeepSeek V4 Pro (High) (0813)
DeepSeek+5.90%+12.90%5.39%1.23%9.1%0.89%23,928
16
Grok 4.6 (xHigh)
xAI+5.76%+11.89%2.52%3.8%9.7%0.89%15,090
17Anthropic+5.22%+3.13%7.52%5.24%9.31%0.88%36,365
18
GPT 5.5
OpenAI+4.84%+2.11%6.32%4.76%10.13%0.89%77,762
19
GLM 5.3 Flash
Zai+4.41%+15.21%5.21%1.89%-1.15%0.89%9,970
20
GLM 5.3 (Max)
Zai+3.82%+12.60%4.23%0.73%0.65%0.89%41,022
21
GPT 5.4 (High)
OpenAI+3.25%+2.52%-0.11%4.37%8.57%0.89%76,973
22
Deepseek V4 Flash (High) (20260731)
DeepSeek+2.97%+7.45%2.61%0.7%3.24%0.87%51,219
23
GPT 5.6 Terra (xHigh)
OpenAI+2.92%-3.10%-1.02%9.42%8.4%0.89%16,778
24
Qwen3.8 Flash Next
Alibaba+2.44%+12.34%-1.59%-1.06%2.92%-0.41%8,777
25
Claude Opus 4.8
Anthropic+2.33%+6.69%11.68%9.92%10.51%-27.15%33,690
26
GPT 5.6 Luna (xHigh)
OpenAI+2.13%-0.74%-0.13%2.42%8.22%0.89%16,383
27
Qwen 3.8 27B
Alibaba+1.50%+7.24%1.39%0.2%-1.49%0.16%16,060
28
Kimi K2.7 Code
Moonshot+1.38%+2.15%1.19%5.26%-2.56%0.89%11,142
29
Muse Spark 1.2 (xHigh)
Meta+0.97%+6.38%-6.4%-5.49%9.47%0.88%18,416
30
Gemini 3.7 Flash (High)
Google+0.96%+9.83%-1.6%-5.19%0.93%0.82%24,413
31Anthropic+0.95%-4.48%-0.86%-1.31%10.61%0.8%38,385
32
Kimi K2.6
Moonshot+0.29%-4.03%4.87%8.23%-8.49%0.89%11,279
33
DeepSeek V4 Pro
DeepSeek+0.10%-1.37%-2.16%-0.83%4.72%0.12%31,185
34
Muse Spark 1.1
Meta-0.73%+5.55%-8.22%-5.7%3.83%0.87%87,115
35
Qwen3.7 Max
Alibaba-1.36%-1.84%-6.33%-2.49%3.63%0.24%35,069
36
GLM 5.1
Zai-1.41%+0.60%-1.48%-0.6%-4.37%-1.2%71,952
37
Hy3
Tencent-1.64%-3.72%-2.39%-0.44%-0.22%-1.42%23,436
38
Qwen3.7 Plus
Alibaba-2.70%-4.22%-10.89%-3.07%4.8%-0.12%18,748
39
Gemini 3.5 Flash (High)
Google-2.85%-0.95%-1.06%-7.22%-4.96%-0.03%94,447
40
Gemini 3.1 Pro Preview
Google-3.13%-1.62%1.96%-1.9%-14.72%0.64%83,248
41
Gemini 3.6 Flash (High)
Google-3.52%-1.82%-6.82%-4.17%-5.63%0.85%16,850
42
Mimo V2.5 Pro
Xiaomi-3.56%-5.35%-8.8%-2.68%-0.85%-0.13%36,154
43
Minimax M3
MiniMax-3.61%-8%-9.85%-5.8%5.12%0.45%35,470
44
Gemini 3.5 Flash (Medium)
Google-4.07%-8.58%-5.51%-2.34%-4.22%0.32%13,762
45
Inkling Small
Thinky-5.30%-17.38%-17.09%-3.94%11.73%0.18%10,179
46
Mistral Medium 3.5
Mistral-6.12%-12.89%-12.28%0.03%-3.13%-2.34%7,677
47
Inkling
Thinky-7.02%-13.91%-17.94%-11%7.41%0.37%39,537
48
Solar Pro 4
Upstage-9.19%-8.17%-13.47%-1.06%-22.5%-0.73%5,770
49
Minimax M2.7
MiniMax-10.26%-12.28%-16.93%-4.64%-18.2%0.75%35,721
50
Grok 4.3 (High)
xAI-10.76%-12.37%-13.31%-11.38%-17.43%0.69%62,791
51
Gemini 3.5 Flash Lite
Google-10.81%-14.47%-14.07%-9.71%-14.98%-0.83%22,348
52Google-11.24%-8.24%-10.3%-9.8%-26.7%-1.16%83,413
53
Grok Build 0.1
xAI-11.31%-6.83%-11.52%-5.99%-32.75%0.53%74,459
54
Nemotron 3 Ultra
Nvidia-13.57%-15.51%-14.74%-8.92%-28.95%0.27%12,264
55
Grok 4.3
xAI-18.81%-12.42%-15.13%-10.51%-56.78%0.77%82,745
56
Gemma 4 31B
Google-22.33%-2.54%-4.06%-10.35%-65.28%-29.43%56,661

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 →