企业官网建设流程全解析

上个周末我给一条「自动修 issue」的流程挂底座模型，习惯性打开排行榜找分数最高的那个，结果发现不对——以前用来选型的综合榜分数，已经不够用了。

10 月 12 日 Arena 放出 2026 年第 41 周榜单，覆盖 10 月 5 日到 11 日的匿名盲测投票。这一期真正值得盯的不是「谁家的综合分数又涨了」，而是榜单上那条新的智能体榜，以及它身上的三个指标：净提升度、任务确认成功率、工具幻觉率。冠军头一次没有花落综合榜，而是落在了智能体这条新轴线上。

先把结论摆出来：Claude Opus 5.5 Max 上榜首周就领跑智能体榜，净提升度 15.53%、任务确认成功率 17.29%、工具幻觉率 0.37%。同门 Opus 5.5 High 以 14.33% 的净提升守住第二，GPT-6 Astra Max 升到第三，Gemini 4 Argon High 升两位到第八——它的工具幻觉率只有 0.18%，是头部模型里最低的一个。

下面把几个旗舰模型在智能体这条尺子上的位置摊开：

「—」是榜单没有逐项公开的格子，不是零分。这正好点出选型时的头一个麻烦：官方只放出部分模型的全部三项，剩下的大多靠第三方复测或者你自己下场跑。

在拆三个指标之前，先说清楚这份榜是怎么来的。Arena 靠平台上的匿名盲测投票，用 ELO 算名次；智能体榜用的是「净提升度」这类百分比信号，反映的是真实让模型干活的用户里,主观上更愿意选谁，不是考场上跑分。而且综合、代码、智能体几个分榜相互独立——某个分榜领跑，不代表全能，得先对齐轴线再看数。

先看净提升度。这个数衡量的是「挂上这个模型之后，任务完成率相比裸跑提升多少」，是智能体榜的核心尺度。Opus 5.5 Max 的 15.53% 和 Opus 5.5 High 的 14.33% 之间只差 1.2 个百分点，严格说在一个置信区间边缘。

把分差换算回真实场景会更清醒：每提升 1 个百分点净提升，意味着每 100 个自动任务里多成功 1 个。对一天跑几百个任务的 Agent 工位，这是实打实的产出差；对偶尔用一下的脚本，这点差距你大概率感知不到。所以盯净提升度，先想清楚自己的调用量级，再决定要不要为这 1 个多点付差价。

顺带对比上一代：Opus 5.5 的定价比 Opus 5 低了约 20%，而且按官方口径在每一项公开基准上都更高、输出也更快。这次换代没有走「加钱加能力」的老路，而是「降价还涨分」——对已经在生产环境跑 Opus 5 的团队，直接切 5.5 几乎不亏。

再看工具幻觉率，这是三个指标里我建议优先盯的一个。它统计的是模型「假装调用了某个不存在的工具」的比例。这个数低，不代表模型强；但这个数高，一定能让你在半夜被一个无中生有的 API 调用吵醒。

Gemini 4 Argon High 的 0.18% 是头部模型里的最低值，Opus 5.5 Max 的 0.37% 次之。绝对值都很小，但方向值得记住：谷歌这一代 Argon 是专门冲着网络安全防御、软件工程场景做的，把「少犯错」当成了卖点。反过来，如果某个模型的工具幻觉率上了 1%，哪怕它净提升度再好看，接进会真实付钱、发消息、改状态的流程前也得三思。

任务确认成功率是智能体榜的第三个维度，Opus 5.5 Max 给出的是 17.29%。它测的是模型被问到「这个任务到底做没做成」时，能给出可信确认的比例。这个数乍看不高，是因为它把「做」和「确认做对」分开算了——很多模型能把任务跑完，但不敢拍胸脯说做对了。

三个指标摆在一起，选型的逻辑其实变了：以前是「分数高的赢」，现在是「净提升度够用、任务确认要可信、工具幻觉率越低越好」的组合拳。没有哪个模型三项通吃，只能按自己的场景排优先级。

价格这条线也在松动。Opus 5.5 的标价是输入 4 美元、输出 20 美元每百万 token，缓存读 0.2 美元，1M 上下文，128K 输出，比 Opus 5 降了约 20%。按混合价约 16 美元每百万 token 算，它头一次同时踩到了「能力够」和「买得起」两条线。

把三款旗舰的价格并排看，差距一眼清楚：

Astra 的价格是 Opus 5.5 的 2.5 倍，是 Argon 首发的 5 倍，但它至今仍是 OpenAI 那边电脑操作最拿得出手的底牌。牌价不同不等于花销不同——真要看单任务成本，得拿自己的任务跑一遍输出 token 数再乘价，这才是账单上的数字。

Gemini 4 Argon 首发价更激进：输入 2 美元、输出 10 美元，对齐 GPT-6.1 Sol；优惠期结束后才回到 4 美元 / 20 美元，对齐 Opus 5.5。它还带了一个规格上的杀手锏——单次输出上限约 100 万 token，是同代对手 128K 的近八倍，长程工程任务不用拆成几十轮对话。DeepSWE v1.1 上它拿到 77.9%，压过 Opus 5.5 的 74.2% 和 GPT-6 Astra 的 74.1%。

但注意：截至 10 月初，Argon 还没有对普通开发者开放，只给 Fairwind 计划里的安全防御团队，也没有公开模型 ID。纸面数据再漂亮，也得等它能被复测、被第三方跑分之后才算数。盯 Argon 的人，现在能做的是把它的 DeepSWE 分数和工具幻觉率存进选型笔记，等开放那天再验证。

国产模型这一期的状态要客观看。综合榜上 kimi-k3-max 排 16、qwen3.8-max 排 22、小米 mimo-v2.6-pro 排 26、智谱 glm-5.3-max 排 27；代码榜 kimi-k3-max 冲到第 10；智能体榜上有 DeepSeek、Kimi、腾讯、小米、阿里五家进了前 25。用一句话说，是「站稳」，不是「冲进头部」。

这也意味着国产模型真正的机会不在综合分数追平，而在智能体细分场景。kimi-k3-max 在智能体和代码两个分榜上都进了中上游，价格又比同档海外模型低一截，接进成本敏感的 Agent 流程是划算的。今年 10 月如果月之暗面按传言放出 Kimi K3.1，能不能从综合前 20 打进前 10，是国产「从站稳到破局」的分界线，值得放到观察清单上。

选型建议我按场景给：

• 跑长程自主编码、复杂工程：优先 Opus 5.5 Max，agentic 基准上的缺口最大，价格也降了。
• 高频子任务、成本敏感：把国产 kimi-k3-max、qwen3.8-max 放进来比一轮，它们进前 25 的净提升足够日常用。
• 安全防御、少犯错优先：等 Argon 公开后优先测它，0.18% 的工具幻觉率是它最硬的一张牌。

顺便说一句「怎么自己复测」。换底座在工程上常常只改一行 model 字段，但真正的成本在评测集重建、提示词重调、回归重跑这四笔账上，它们比 API 差价值钱得多。别拿官方榜单直接替自己做决定，规模够就抽一天跑个最小对比：

# 给 Agent 换底座，本质只改一个 model 字段config={"model":"claude-opus-5-5",# 换成 kimi-k3-max / qwen3.8-max 同理"effort":"high",}# 工具幻觉率要单独数：任务跑完别只看出错率，# 数一数模型"调用了不存在的工具"的次数，这个数高才最致命

看得榜这件事，三个坑提前给你排掉。

其一，轴线别搞混。综合、代码、智能体几个分榜相互独立，Opus 5.5 Max 在智能体榜领跑，不代表它综合也压过 Argon——综合榜首其实是 gemini-4-argon-high（1525 分），claude-opus-5.5-high 以 1507 分跟在第二。拿智能体的分去比综合的榜，等于拿错尺子。

其二，分差要折算。榜单里 Opus 5.5 比 Opus 5 领先 18 分，听着不小，折算到总分其实只有 1.2%。它不会自动变成你私有任务上的提升，别被整数分差迷惑了判断。

其三，人气榜和盲测榜不是一回事。最近刷屏的「国产大模型冲上全球榜首」来自另一个人气周榜，按站点点击量折算，测的是流量热度；和 Arena 的盲测 ELO 是两把尺子，不能直接换算成「国产能力反超」。看榜之前先问一句：这个名次，是从哪把尺子上量出来的？

最后讲三条趋势。其一，智能体能力正在取代纯推理，成为新一代模型的技术制高点，这个方向至少能看一年。其二，榜单本身开始被当成生意，明星榜、人气榜和盲测榜不是同一把尺子，看之前先对齐轴线。其三，成本线松动的速度比能力涨得还快，Haiku 5.5 这类更便宜的子任务级模型又把 Agent 的 token 成本往下压了一档——能力上限和买得起头一次同时成立。

延伸阅读：
3 款决策模型横评：Agent 判断从 8.5 秒压到 39 毫秒，Jev、Clef 谁更值得用
迷你模型价格战开打：Haiku 5.5 对比 4 款轻量档，5 个维度看谁值得上生产
Holo4 实测：27B 开源模型跑通电脑操作，OSWorld 61.7% 逼近 Opus 5.5，一个任务 1.22 美元

📌系列文章

• 全模态模型三强横评：音视频输入成本砍 93%，Qwen3.8-Omni-Flash、MiniCPM-o 4.5、Gemini 3.8 Flash 该选谁
• Step 5 Preview 对比实测：600B MoE 只激活 27B，44 分开源前三，成本砍到 Opus 5 的 1/8
• Gander 9B 实时 Agent 实测：8% 误打断、100% 接管，边聊天边干活的 4 款对比

测了 5 款模型才发现差距这么大。关注我 👆 第一时间获取更多 AI 工具深度横评。