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.

54 моделей2,059,533 сессийОбновлено 2026-08-27

Общий рейтинг Agent Arena — меньше — лучше.

1.Claude Opus 5 (High)
+12.99%
2.Claude Opus 5 (Max)
+12.73%
3.Claude Fable 5 (High)
+11.70%
4.GPT 5.6 Sol (xHigh)
+10.24%
5.Claude Opus 4.8 (High)
+9.90%
6.Kimi K3 (Max)
+9.22%
7.GPT 5.5 (xHigh)
+7.92%
8.Claude Sonnet 5 (High)
+7.65%
9.Claude Opus 4.7 (High)
+7.03%
10.Claude Opus 4.7
+6.86%
#МодельЛабораторияОбщийУспешностьПохвалаУправляемостьВосстановлениеГаллюц.Сессии
1
Claude Opus 5 (High)
Anthropic+12.99%+15.45%19.69%14.42%14.45%0.94%20,468
2
Claude Opus 5 (Max)
Anthropic+12.73%+17.55%19.14%10.72%15.25%0.99%16,214
3
Claude Fable 5 (High)
Anthropic+11.70%+10.44%20.65%14.39%11.99%1.02%33,805
4
GPT 5.6 Sol (xHigh)
OpenAI+10.24%+9.83%21.35%9.69%9.28%1.02%27,506
5
Claude Opus 4.8 (High)
Anthropic+9.90%+6.61%22.6%10.89%9.53%-0.14%35,927
6
Kimi K3 (Max)
Moonshot+9.22%+17.88%17.03%1.99%8.2%1.02%92,312
7
GPT 5.5 (xHigh)
OpenAI+7.92%+2.90%12.16%9.01%14.49%1.02%49,079
8
Claude Sonnet 5 (High)
Anthropic+7.65%+1.14%11.65%13.55%11.04%0.9%26,480
9
Claude Opus 4.7 (High)
Anthropic+7.03%+4.38%10.67%7.06%12.12%0.92%36,570
10
Claude Opus 4.7
Anthropic+6.86%+4.36%10.84%8.59%9.55%0.97%37,121
11
Qwen3.8 Max
Alibaba+6.66%+12.73%8.05%4.71%7.77%0.07%16,510
12
DeepSeek V4 Pro (High) (0813)
DeepSeek+6.58%+13.63%5.8%2.5%9.98%1.02%20,444
13
GPT 5.5 (High)
OpenAI+6.57%+2.20%10.8%6.64%12.2%1.02%73,876
14
Grok 4.5
xAI+6.48%+4.99%6.95%8.68%10.75%1.02%32,876
15
Grok 4.6 (xHigh)
xAI+6.11%+13.17%2.59%4.92%8.85%1.02%12,493
16
GLM 5.2 (Max)
Zai+5.94%+7.82%9.28%5.88%5.72%1.02%61,300
17
GPT 5.5
OpenAI+5.66%+2.84%7.96%5.04%11.42%1.02%76,518
18Anthropic+5.54%+3.44%7.51%5.83%9.93%1.02%36,364
19
GPT 5.4 (High)
OpenAI+4.10%+3.82%2.09%4.73%8.86%1.02%75,797
20
GLM 5.3 (Max)
Zai+3.91%+13.31%4.75%-0.35%0.82%1.02%30,072
21
GPT 5.6 Luna (xHigh)
OpenAI+3.41%+0.04%3.6%3.51%8.9%1.02%13,855
22
Deepseek V4 Flash (High) (20260731)
DeepSeek+3.07%+7.43%1.79%1%4.12%1.01%47,615
23
GPT 5.6 Terra (xHigh)
OpenAI+3%-3.80%-0.14%8.94%9%1.02%15,773
24
Claude Opus 4.8
Anthropic+2.52%+7.09%11.73%10.35%10.97%-27.55%33,689
25Anthropic+1.75%-2.11%-0.02%-0.97%10.92%0.92%37,362
26
Kimi K2.7 Code
Moonshot+1.71%+2.87%1.04%5.6%-1.97%1.02%11,139
27
Qwen 3.8 27B
Alibaba+1.56%+8.05%-0.1%0.89%-1.3%0.25%10,592
28
Gemini 3.7 Flash (High)
Google+1.33%+9.82%-1.75%-4.42%2.08%0.95%24,412
29
Muse Spark 1.2 (xHigh)
Meta+1.32%+6.70%-6.39%-4.81%10.09%1.01%18,407
30
Kimi K2.6
Moonshot+0.65%-2.73%4.15%8.53%-7.71%1.02%11,273
31
Muse Spark 1.1
Meta-0.19%+5.99%-7.08%-5.83%4.96%1%83,283
32
DeepSeek V4 Pro
DeepSeek-0.20%-2.69%-1.93%-1.31%4.73%0.19%30,612
33
GLM 5.1
Zai-0.79%+0.72%-0.79%0%-2.9%-0.98%71,949
34
Qwen3.7 Max
Alibaba-1.04%-2.32%-5.29%-2.5%4.42%0.5%34,023
35
Hy3
Tencent-1.19%-2.86%-2.96%0.46%0.97%-1.57%22,177
36
Qwen3.7 Plus
Alibaba-2.26%-3.58%-9.9%-2.94%5.2%-0.08%17,832
37
Gemini 3.5 Flash (High)
Google-2.44%-0.55%-1.08%-6.79%-3.86%0.07%94,421
38
Gemini 3.1 Pro Preview
Google-2.62%-0.18%2.73%-3.04%-13.38%0.77%82,264
39
Mimo V2.5 Pro
Xiaomi-2.68%-3.82%-7.44%-2.31%0.3%-0.14%34,925
40
Minimax M3
MiniMax-2.79%-5.87%-8.82%-5.5%5.69%0.55%34,344
41
Gemini 3.6 Flash (High)
Google-3.33%-2.67%-5.69%-4.36%-4.92%0.98%15,720
42
Gemini 3.5 Flash (Medium)
Google-3.67%-8.88%-5.99%-1.3%-2.66%0.46%13,756
43
Mistral Medium 3.5
Mistral-5.76%-13.60%-12.05%2.1%-2.53%-2.71%6,727
44
Inkling Small
Thinky-6.18%-18.21%-18.38%-6.52%11.94%0.27%9,191
45
Inkling
Thinky-6.58%-12.10%-17.74%-10.94%7.32%0.54%38,506
46
Solar Pro 4
Upstage-9.38%-7.68%-13.96%-4.15%-20.46%-0.68%5,766
47
Grok Build 0.1
xAI-10.09%-6.52%-11.47%-5.47%-27.61%0.63%74,455
48
Grok 4.3 (High)
xAI-10.16%-11.70%-13.42%-10.77%-15.73%0.81%62,787
49
Minimax M2.7
MiniMax-10.18%-12.93%-16.54%-4.76%-17.55%0.88%34,580
50Google-10.65%-8.20%-10.38%-9.25%-24.5%-0.93%83,411
51
Gemini 3.5 Flash Lite
Google-10.89%-13.52%-14.56%-9.58%-16.21%-0.61%21,288
52
Nemotron 3 Ultra
Nvidia-12.92%-15.58%-14.62%-7.7%-27.03%0.33%12,264
53
Grok 4.3
xAI-17.94%-12.08%-15.37%-10.04%-53.08%0.9%82,742
54
Gemma 4 31B
Google-21.31%-1.94%-3.87%-9.81%-60.51%-30.44%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 →