AnyModelAI 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.
Общий рейтинг Agent Arena — меньше — лучше.
| # | Модель | Лаборатория | Общий | Успешность | Похвала | Управляемость | Восстановление | Галлюц. | Сессии |
|---|---|---|---|---|---|---|---|---|---|
| 1 | Claude Fable 5 (High) | Anthropic | +13.94% | +17.27% | 30.65% | 12.07% | 8.39% | 1.33% | 16,059 |
| 2 | GPT 5.6 Sol (xHigh) | OpenAI | +10.94% | +10.93% | 17.64% | 17.26% | 7.53% | 1.33% | 7,881 |
| 3 | Claude Opus 4.8 (Thinking) | Anthropic | +9.28% | +7.82% | 17.96% | 10.15% | 9.91% | 0.56% | 33,392 |
| 4 | GPT 5.5 (xHigh) | OpenAI | +8.26% | +6.88% | 12.61% | 6.7% | 13.79% | 1.33% | 36,289 |
| 5 | Claude Sonnet 5 (High) | Anthropic | +8% | +10.33% | 13.9% | 4.92% | 9.62% | 1.21% | 23,640 |
| 6 | Claude Opus 4.7 (Thinking) | Anthropic | +7.73% | +5.22% | 11.36% | 9.17% | 11.7% | 1.22% | 34,357 |
| 7 | Claude Opus 4.7 | Anthropic | +7.63% | +5.28% | 13.38% | 7.56% | 10.66% | 1.27% | 34,950 |
| 8 | GPT 5.5 (High) | OpenAI | +7.16% | +6.42% | 7.61% | 8.72% | 11.75% | 1.33% | 61,455 |
| 9 | GLM 5.2 (Max) | Zai | +6.24% | +8.72% | 12.59% | 4.1% | 4.45% | 1.33% | 31,993 |
| 10 | GPT 5.5 | OpenAI | +6.05% | +4.33% | 5.53% | 7.99% | 11.06% | 1.33% | 62,335 |
| 11 | Anthropic | +5.88% | +1.67% | 9.05% | 6.7% | 10.63% | 1.33% | 34,075 | |
| 12 | GPT 5.4 (High) | OpenAI | +5.86% | +6.15% | 4.4% | 7.88% | 9.55% | 1.33% | 61,743 |
| 13 | Grok 4.5 | xAI | +4.99% | +6.95% | 6.09% | 0.88% | 9.72% | 1.33% | 9,851 |
| 14 | Claude Opus 4.8 | Anthropic | +3.90% | +6.75% | 11.17% | 7.79% | 9.44% | -15.63% | 31,463 |
| 15 | Anthropic | +1.99% | -1.95% | -0.75% | 0.64% | 10.71% | 1.3% | 34,873 | |
| 16 | GLM 5.1 | Zai | +1.19% | +0.78% | 0.53% | -0.62% | 3.95% | 1.33% | 51,362 |
| 17 | Qwen3.7 Plus | Alibaba | -0.61% | -1.10% | -4.04% | -2.73% | 4.65% | 0.19% | 10,048 |
| 18 | Gemini 3.1 Pro Preview | -0.70% | +0.63% | -0.07% | 1.85% | -7.21% | 1.29% | 61,459 | |
| 19 | Kimi K2.7 Code | Moonshot | -0.76% | +4.51% | 1.38% | -10.78% | -0.23% | 1.33% | 7,468 |
| 20 | Qwen3.7 Max | Alibaba | -0.81% | -2.25% | -5.38% | -4.16% | 6.84% | 0.91% | 9,944 |
| 21 | DeepSeek V4 Pro | DeepSeek | -1.11% | -2.95% | -4.79% | -3.1% | 4.5% | 0.8% | 10,335 |
| 22 | Gemini 3.5 Flash (High) | -1.12% | +1.66% | -4.58% | -0.8% | -0.71% | -1.17% | 45,991 | |
| 23 | Kimi K2.6 | Moonshot | -2.09% | +2.36% | -0.2% | -9.16% | -4.79% | 1.33% | 7,620 |
| 24 | Mimo V2.5 Pro | Xiaomi | -3.17% | -6% | -9.22% | -4.81% | 3.55% | 0.63% | 10,379 |
| 25 | Minimax M3 | MiniMax | -3.23% | -7.51% | -8.13% | -7.92% | 6.27% | 1.14% | 9,913 |
| 26 | DeepSeek V4 Flash | DeepSeek | -4.64% | -6.86% | -12.9% | -6.99% | 4.1% | -0.53% | 10,051 |
| 27 | Gemini 3.5 Flash (Medium) | -7.04% | -11.84% | -8.07% | -10.43% | -5.9% | 1.04% | 7,041 | |
| 28 | Grok Build 0.1 | xAI | -8.21% | -5.27% | -13.65% | -12.84% | -9.83% | 0.53% | 52,802 |
| 29 | Grok 4.3 (High) | xAI | -8.31% | -8.81% | -15.63% | -7.97% | -10.06% | 0.92% | 41,665 |
| 30 | -8.54% | -8.46% | -12.83% | -5.24% | -16.46% | 0.28% | 62,100 | ||
| 31 | Minimax M2.7 | MiniMax | -11.46% | -16.97% | -15.68% | -17.75% | -7.94% | 1.06% | 10,183 |
| 32 | Gemma 4 31B | -13.58% | -3.54% | -6.03% | -5.33% | -30.16% | -22.86% | 51,231 | |
| 33 | Nemotron 3 Ultra | Nvidia | -13.68% | -13.69% | -11.1% | -23.99% | -19.12% | -0.51% | 9,511 |
| 34 | Grok 4.3 | xAI | -15.31% | -10.12% | -16.64% | -8.96% | -41.9% | 1.1% | 61,497 |
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.