要点
- 前四名都是 Anthropic 模型:Claude Opus 5.5 和 Claude Fable 5.1,各自搭配 Claude Code 与 OpenCode。
- OpenAI 最好的搭配是 GPT-6 Astra + Codex,第 5 名,1235 分,单题成本约为榜首的一半。
- GPT-6.1 Sol + OpenCode 排第 7,1196 分,每题 0.51 美元,约为榜首成本的五分之一。
- 国产模型中排名最高的是 Kimi K3 + OpenCode,第 13 名,1147 分。
总榜前十
总榜把每套搭配做过的所有任务放在一起比较。质量由同题胜负拟合而成,采用类似 Elo 的刻度,参考分为 1000;时间是单次运行的平均耗时;成本是每道题的平均模型花费。三项分别排名,从不合成一个总分。
| 名次 | 模型 | Harness | 质量 | 单次耗时 | 单题成本 |
|---|---|---|---|---|---|
| 1 | Claude Opus 5.5 | Claude Code | 1335 | 746.5 秒 | $2.60 |
| 2 | Claude Fable 5.1 | Claude Code | 1320 | 874.7 秒 | $3.66 |
| 3 | Claude Fable 5.1 | OpenCode | 1318 | 808.5 秒 | $2.90 |
| 4 | Claude Opus 5.5 | OpenCode | 1298 | 1065.0 秒 | $3.17 |
| 5 | GPT-6 Astra | Codex | 1235 | 722.8 秒 | $1.28 |
| 6 | GPT-6 Astra | OpenCode | 1208 | 965.1 秒 | $1.78 |
| 7 | GPT-6.1 Sol | OpenCode | 1196 | 582.2 秒 | $0.51 |
| 8 | GPT-6 Sol | OpenCode | 1190 | 544.0 秒 | $0.50 |
| 9 | GPT-6.1 Sol | Codex | 1187 | 500.7 秒 | $0.47 |
| 10 | GPT-5.6 Sol | Codex | 1174 | 585.5 秒 | $1.02 |
第一和第二相差 15 分。按这个刻度,15 分意味着高分一方在同题对比中的期望胜率约 52%,两者几乎持平。分数怎么算出来,见计算规则。
各搭配之间差距有多大
49 套搭配在三项指标上的跨度都很大:
- 质量从 1335 到 641,相差 694 分,中位数 999。
- 单题成本从 0.049 美元(Qwen3.8 Flash + OpenCode)到 3.66 美元(Claude Fable 5.1 + Claude Code),相差约 74 倍,中位数 0.51 美元。
- 单次耗时从 387.6 秒(Claude Haiku 4.5 + Claude Code)到 1800.6 秒(Qwen3.8 Max + Codex),相差约 4.6 倍。
质量越高通常越贵,但并不绝对。Claude Opus 5.5 + Claude Code 比 Claude Fable 5.1 + Claude Code 分数更高,同时更便宜、更快。哪些搭配在质量和成本上都没有被其他搭配同时超过,见质量与成本分析。
各领域第一名
每个领域有独立的榜单,只用该领域的任务计算。12 个领域中,Claude Fable 5.1 领先 8 个,Claude Opus 5.5 领先另外 4 个。
| 领域 | 任务数 | 第一名 | 质量 |
|---|---|---|---|
| 演示文稿 | 54 | Claude Fable 5.1 · OpenCode | 1446 |
| 文档报告 | 28 | Claude Fable 5.1 · Claude Code | 1336 |
| 视觉设计 | 6 | Claude Fable 5.1 · OpenCode | 1413 |
| 数据分析 | 20 | Claude Fable 5.1 · Claude Code | 1413 |
| 网站 | 24 | Claude Opus 5.5 · Claude Code | 1307 |
| 3D | 18 | Claude Opus 5.5 · Claude Code | 1327 |
| 金融 | 26 | Claude Fable 5.1 · OpenCode | 1303 |
| 医疗 | 54 | Claude Opus 5.5 · Claude Code | 1356 |
| 法律 | 93 | Claude Fable 5.1 · Claude Code | 1402 |
| 咨询 | 56 | Claude Fable 5.1 · Claude Code | 1370 |
| 教育 | 21 | Claude Opus 5.5 · Claude Code | 1353 |
| 音视频 | 6 | Claude Fable 5.1 · OpenCode | 1467 |
Claude Fable 5.1 领先的领域更多,总榜第一却是 Claude Opus 5.5,原因有两个。每个榜单独立拟合,领域名次不能相加成总榜名次。另外 Claude Fable 5.1 + Claude Code 目前只跑了 406 道题中的 231 道,Claude Opus 5.5 + Claude Code 跑了 402 道,前者分数背后的对比更少。
OpenAI 与国产模型
OpenAI 最好的搭配是 GPT-6 Astra + Codex,1235 分,比榜首低 100 分,意味着榜首与它对比时期望胜率约 64%。GPT-6 Astra 在 Codex 上每题 1.28 美元,约为 Claude Opus 5.5 + Claude Code 的一半。两者的逐领域对比见 Claude Opus 5.5 与 GPT-6 Astra 对比。
GPT-6 Sol 系列用低得多的价格拿到了大部分质量。GPT-6.1 Sol + OpenCode 1196 分,每题 0.51 美元;搭配 Codex 1187 分,每题 0.47 美元,单次 500.7 秒,是前十中最快的。
国产模型中排名最高的是 Kimi K3 + OpenCode,第 13 名,1147 分。DeepSeek Flash 紧随其后,第 19 名,1039 分,每题 0.18 美元。其他国产模型的情况见国产模型分析。
怎么读这些数字
- 排名的对象是搭配。同一个模型换一个 Harness 就是另一条记录,名次可能差很多。
- 质量分只在同一个榜单内有意义。跨领域比较请看名次。
- 成本按各厂商官方价格计算模型用量,不含订阅费、评分开销和基础设施。
- 各搭配目前跑过的任务数不同。任务越少,分数越依赖参考分,后续也越可能变动。
常见问题
目前做真实工作最强的 AI Agent 是哪个
在 2026 年 11 月的 Work Arena 排行榜上,Claude Opus 5.5 + Claude Code 的总榜质量分最高,在 402 道题上得到 1335 分。Claude Fable 5.1 + Claude Code 以 1320 分紧随其后,并在 12 个领域中的 8 个排名第一。
性价比最高的 AI Agent 是哪个
每题 0.5 美元左右的价位,GPT-6.1 Sol 最强:搭配 OpenCode 1196 分,搭配 Codex 1187 分。DeepSeek Flash + Codex 每题 0.11 美元、1031 分,是质量高于中位数的搭配中最便宜的。
Work Arena 排行榜多久更新一次
新的运行完成并评分后,榜单会重新计算。本文数字来自 2026 年 11 月 2 日的更新,排行榜页面始终显示最新数据。
本文数字来自 2026 年 11 月 2 日 的排行榜数据,此后的变化请以排行榜为准。