Agent Arena 刚刷新的榜单，Anthropic 把前三名全端走了。但真正值得你停下滑动手指的，不是这个。是 Claude Sonnet 5.5——净提升 +12.5%，排第三，单任务中位成本 $2.74，比排第二的 Claude Opus 5.5 贵了整整 73%，而 Opus 5.5 的得分还更高。于是 Sonnet 5.5 连 Agent Arena 的 Pareto 前沿都没进去。一个能力排名第三的模型，在性价比的坐标里被自己的同门挤出了局。
第三名没进 Pareto 前沿，比第一名更值得聊
Opus 5.5 在两个维度上同时压住了它
Pareto 前沿是个朴素到有点冷酷的概念。把成本放在横轴，把得分放在纵轴，凡是找不到另一个模型在两方面都不差、至少一方面更好的点，才算站在前沿上。Claude Sonnet 5.5 拿到的 +12.5% 净提升并不寒酸，第三名也不丢人。问题出在它的同门身上。Claude Opus 5.5 排第二，单任务中位成本 $1.58，比 $2.74 便宜了四成多，得分还更高。横轴纵轴同时被压住，Sonnet 5.5 就自动掉到了前沿线以内。这不是评分规则在针对谁，这是支配关系的数学结果。
排名回答"谁更强"，前沿回答"谁值得买"
榜单排名是单维度的，谁分高谁靠前，干净利落。可真实的选型决策从来不只一个维度。当团队要为每天几十万次调用做预算时，第二名和第一名差多少分，往往没有"每任务多花一块多钱"来得扎心。Agent Arena 把 Pareto 前沿和排名并排放出来，其实是在提醒一件事：排名榜是给媒体看的，前沿图是给掏钱的人看的。Sonnet 5.5 恰好卡在两者之间——纸面上光鲜，坐标图上难看。
一块五和两块七之间，隔着一次架构判断
中位成本比平均成本更诚实
为什么榜单盯的是中位数，而不是平均值？因为 Agent 任务的成本分布尾长得离谱。少数任务会疯狂调用工具、反复重试、在长上下文里兜圈子，硬生生把平均值抬到一个谁都认不出的高度。中位数砍掉两头的噪音，给出的是"典型一次任务到底花多少钱"。$2.74 对 $1.58，说的是典型任务的账，不是极端情况的账。财务看预算表时的体感，更接近前者。
Agent 把每一次调用的差价乘以任务里的步数
聊天场景里，一轮对话通常就一到两次模型调用，成本差几毛钱没人计较。Agent 完全是另一回事。一个任务要拆成规划、检索、执行、校验，动辄十几次调用，有些还得跑分支重试。单次贵 73%，摊到整条链路上，放大倍数远超直觉。更麻烦的是，调用次数并不固定——任务越复杂，次数越多，差价被乘的次数也跟着涨。选型时只盯分数挑模型，很可能在三个月后的账单上补课。
真正的成本藏在失败重试里
报价单上写的是单次调用价格，实际支出里最贵的那一块，往往是一次没做对、重来一遍。Agent 任务失败不是回到起点，而是带着已经烧掉的 token 重新开始。一个稳定性差半档的模型，可能在纸面上更便宜，在真实流量里更烧钱。这也是为什么单任务成本比单位 token 价格更有参考价值——它已经把重试和纠错的代价揉进去了。
Chat 第一，Agent 第三，落差从哪来
+15.6% 的聊天冠军，考的是另一套本事
Sonnet 5.5 在 Chat 类目以 +15.6% 拿下第一，这个成绩单看很亮眼。聊天考的是指令理解、语气拿捏、上下文衔接，一次交互就能交付价值。模型在这条赛道上的表现，和对话质量强相关，和规划能力关系有限。同一个模型在 Chat 榜登顶、在 Agent 榜平平无奇，一点都不矛盾——两套评测考的压根不是同一种能力。
把事办完，靠的是长链条不崩
Agent 的难点从来不在单步聪明，而在于十几步之后还记得自己要干什么。工具调用的参数格式、失败后的重试策略、中间结果的校验、上下文窗口里的信息取舍，任何一环掉链子，整个任务就废了。这类能力对模型的要求更接近"稳定施工"，而不是"即兴发挥"。Sonnet 5.5 在这个维度上被 Opus 5.5 压了一头，说明它更擅长把话说明白，而不是把活干到底。
前三名全是自家的，麻烦也一起包了
自家人抢自家人的位置
包揽前三，表面看是统治力，往深了看是产品线的内部挤压。Opus 5.5 更便宜、更强，直接把 Sonnet 5.5 顶出了 Pareto 前沿；而 Sonnet 5.5 在 Chat 类目又是第一。客户的采购逻辑会变得很直白：跑 Agent 用 Opus，做对话用 Sonnet。中间那层模糊地带被压没了。这对 Anthropic 未必是坏事，但它得比对手更早回答一个难题——同一家的模型怎么分工，才不至于互相踩脚。
前沿图上的每一个点，都是一次妥协
那条曲线上没有完美模型，只有不同的取舍。有人愿意为最后 5% 的分数多付一倍成本，也有人宁愿把分数降一点、把预算省一半。榜单只告诉你谁排第几，前沿图告诉你每个选择要付什么代价。做 Agent 产品的人真正需要的，是后一张图。
对手该盯的不是排名，是那条成本线
追分是一条没有尽头的路
盯着 +12.5% 和 +15.6% 去追，等于把自己绑在别人的节奏上。Agent 市场里真正稀缺的不是最强，是"够用且便宜"。前沿图上每一个点都是成本与能力的某种平衡，谁能在同等成本下把分数往上推一格，谁就能切走一块预算。这个赛道的胜负手，从来不在榜首，而在中段。
$1.58 才是需要盯住的那条线
Anthropic 前三的光鲜背后，$1.58 这个数字才是对手要啃的硬骨头。做到比它低，同时分数别太难看，就有生意可谈。低不下来，就得在别的地方——稳定性、工具生态、部署成本——找回差价。排名会每天都在变，成本曲线不会。谁把这条线往下压，谁就在下一版榜单上重新画前沿。
