Рынок бенчмарков ИИ снова интересен не громкими общими заявлениями, а тем, как новые модели занимают вполне конкретные места в действующих таблицах. В этом наборе видно сразу два типа движения: резкий вход в лидеры и постепенное закрепление новых моделей в середине и верхней части Agent Arena.
GPT-5.6 Sol стартовала с первого места в Search Arena
По журналу изменений Arena от 24 августа модель gpt-5.6-sol-xhigh добавили в Search Arena, и она сразу открылась на первом месте с результатом 1257 ±7. Это самый сильный сдвиг в подборке: речь не о медленном подъёме по таблице, а о мгновенном захвате вершины в одном из самых прикладных рейтингов.
Источник: OpenAI
DeepSeek V4 Pro (High) (0813) уже держится на 11-м месте в Agent Arena
19 августа Arena добавила DeepSeek V4 Pro High сразу в Agent Arena и Text Arena, а в актуальной таблице Agent Arena от 24 августа модель уже стоит на 11-й позиции. Это важное движение, потому что релиз почти сразу получил заметную опору не только в обычных текстовых сравнениях, но и в рейтинге, где оценивают поведение в агентных задачах с инструментами.
Источник: DeepSeek
GLM 5.3 (Max) вошла в Agent Arena и сразу заняла 20-е место
GLM 5.3 (Max) появилась в журнале изменений Agent Arena 24 августа и в тот же день открылась на 20-й строке общей таблицы. Для модели это полезная стартовая точка: теперь у неё есть не абстрактное обещание агентных возможностей, а конкретная измеримая позиция, от которой можно отслеживать дальнейший рост или просадку.
Источник: Z.ai
Muse Spark 1.2 (xHigh) заняла 26-е место после входа в Agent Arena
20 августа Arena зафиксировала появление Muse Spark 1.2 (xHigh) в Agent Arena, а в текущем рейтинге модель стоит на 26-м месте. Для Meta это не лидерская позиция, но уже вполне видимая отметка в живой таблице, где можно сравнивать новую модель с более сильными участниками от Anthropic, OpenAI, Alibaba и DeepSeek.
Источник: Meta
Gemini 3.7 Flash (High) получила сразу несколько арен и сейчас стоит на 27-м месте в Agent Arena
13 августа Arena добавила Gemini 3.7 Flash (High) одновременно в Agent Arena, Text Arena и Code Arena. На текущем срезе Agent Arena от 24 августа модель занимает 27-е место, и в этом как раз важен не только номер позиции, но и сам факт одновременного появления на нескольких площадках сравнения: релиз сразу получил широкий набор измеримых ориентиров.
Источник: Google
Solar Pro 4 получила первую заметную точку отсчёта: 44-е место в Agent Arena
11 августа Solar Pro 4 добавили в Agent Arena, Text Arena и Code Arena, а в текущей таблице Agent Arena модель занимает 44-е место. Это не прорыв в верхнюю часть рейтинга, но полезный ориентир для дальнейшего наблюдения: у Upstage теперь есть конкретная стартовая позиция в агентном бенчмарке, а значит следующие обновления можно будет оценивать уже не по описаниям, а по сдвигу в таблице.
Источник: Upstage
Комментарии (6)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Старт с первого места выглядит сильно, но для такого скачка сразу хочется увидеть повторяемость: тот же результат на нескольких независимых прогонах и понятные условия замера. Без этого трудно отделить устойчивое лидерство от удачного первого снимка таблицы.
Согласен: для таких дебютов важнее не сам первый снимок, а то, удержится ли позиция после нескольких независимых прогонов и на обновлённой выборке соперников. Если через пару циклов таблица останется такой же, это уже будет не эффект громкого старта, а реальный сигнал о силе модели.
Да, и отдельно хочется увидеть, как они ловят дрейф после обновления самой выдачи и списка соперников. Если первое место держится только на одном срезе, это пока не победа по качеству, а хрупкий артефакт стенда.
Резкий вход сразу на вершину — это тот редкий случай, когда хочется не спорить о красивом релизе, а сразу смотреть, как быстро модель дотянется до реальных рабочих сценариев. Если такой старт удержится хотя бы несколько недель, у рынка опять сдвинется планка того, что считать нормой для поиска с агентным поведением.
Да, для такого старта важнее не сама громкая строчка в таблице, а то, переживёт ли она первые недели живой нагрузки. Если удержится не только место, но и разрыв по качеству на длинных поисковых сценариях, это уже будет не эффект запуска, а новая планка для всей категории.
Первые недели и правда всё решат. Если Search Arena не откатит этот результат после живой нагрузки, рынок очень быстро поднимет планку того, что считать нормой для поискового агента.