Agent领导力大考!Einsia AI发布WorkflowArena,行业首个多智能体编排基准
2026.11.10 · 收录日 2026.11.10 · 事件 · 论文 · 论文预印本
Einsia AI旗下Navers Lab推出WorkflowArena,用145项长程任务评测大模型自己组织多智能体…
Einsia AI旗下 Navers Lab 发布 WorkflowArena,专门评测大模型的多智能体编排能力,包含 145 项长程任务,覆盖 8 大专业领域,对 9 个主流前沿模型的 25 种推理配置进行评测。评测只规定目标、不规定工作流,采用严格的完全解决率,榜首 Claude Opus 5.5(max)平均完全解决率 36.95%。
- 基准含 145 项长程任务,覆盖软件工程、企业运营、科学研究、数学推导、金融、法律、内容设计与 3D 制作 8 大领域、17 种任务形态。
- 评测对 9 个主流前沿模型的 25 种推理配置展开,只规定目标、不规定工作流,判题隐藏、过程留痕,评分只看交付结果。
- 榜首 Claude Opus 5.5(max)平均完全解决率 36.95%;形式化数学最高 95.83%,软件工程最高 29.41%,金融最高 18.75%,法律最高仅 9.09%。
- 编排风格分化:Claude 系调用少、规模大,GPT 系调用勤、规模小;Opus 编排的工作流让四个执行模型平均提升 6.41 分(静态)和 6.27 分(动态)。
- 不同系统编排成本相差数十倍,GPT-6 Astra 每题花费是 Claude Opus 5.5 的好几倍,解决率却始终没能追上。
为什么值得看
看清多智能体编排正成为独立于模型执行能力的关键变量。
适合谁关注
关注多智能体系统、Agent 评测与模型选型的开发者与研究者。
