AI 评测平台 Arena 近日宣布，OpenAI 的 GPT-6.1 已正式上线其 Agent Arena 评估环境。这一动作意味着该模型将接受面向智能体场景的专项测试，而用户的投票结果会直接参与其评估过程，具体分数将在后续公布。

与传统的静态问答评测不同，Agent Arena 的测试集由数百万个真实世界、长时程的智能体任务构成。在这些任务中，模型需要调用网页搜索、文件系统和终端工具，完成多步骤的复杂工作流。这种设计更贴近模型在实际生产环境中的使用方式。

在排名机制上，Agent Arena 的排行榜采用因果追踪方法，衡量的是模型相对于平均模型的结果表现。这一方法旨在剥离任务难度等混杂因素，更准确地反映模型自身能力带来的增量。

GPT-6.1 的加入，使 Agent Arena 的竞争格局进一步升温。随着用户投票与因果追踪评估的结合，该平台能否成为智能体能力评测的参考标准，值得持续关注。