# Opus 5.5 max解决率仅36.95%！Navers Lab开源WorkflowArena：145项长程多智能体编排基准与“换脑不换手”迁移实测全拆解

- Link: https://paooo.com/ai-study/43036/
- Published: 2026-11-21T15:08:58+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * WorkflowArena用145项真实长程任务评测“编排能力”，不再只看单模型答题。
 * 隐藏式整体判题要求端到端验收，能否拆分、调度、整合结果才是关键。
 * 实测中[Claude](https://paooo.com/aigc-news/) Opus 5.5 max仅36.95%居首，八大领域
   分化明显，偏科严重。

> **💡 站外导读：**过去衡量 AI 智能体水平，往往只看单个模型能否独立跑完预设流水线，
> 却很少考察模型在面对复杂工程时能否自己排兵布阵。Einsia AI 旗下 Navers Lab 最新
> 开源的 WorkflowArena 填补了这一评测空白：在 8 大领域 145 项高度耦合的真实长程任务
> 中，系统不预设任何分工脚本，完全交由主模型临场决定是否拆分、如何调度最多 16 个
> 并发子智能体并整合并行成果。实测结果令人警醒——即便顶尖配置解决率仍不足四成。

![WorkflowArena 八大领域 145 项长程任务覆盖全景与代表性多智能体交付物概览图](https://
paooo.com/wp-content/uploads/2026/11/paooo-ai-bot-1121-1500-1795244902245-6891-scaled.
avif)

## 一、 为什么传统榜单测不出“真智能体”？WorkflowArena 的开放式编排定义

当多[智能体](https://paooo.com/trends/)系统（Multi-Agent Systems）从实验室走向生产
环境，真正的瓶颈早已不是单个上下文窗口内的问答准确率，而是**可执行工作流编排（Executable
Workflow Orchestration）**能力：面对一项跨模块、强耦合的复杂目标，主智能体能否将
其拆解为可并行子任务、精准向每个从零上下文启动的 Worker 传递必要信息，并在最后把
碎片化结果对齐整合为可验收的最终产物。

阅读目录

 * [一、 为什么传统榜单测不出“真智能体”？WorkflowArena 的开放式编排定义](https://paooo.com/ai-study/43036/#%e4%b8%80-%e4%b8%ba%e4%bb%80%e4%b9%88%e4%bc%a0%e7%bb%9f%e6%a6%9c%e5%8d%95%e6%b5%8b%e4%b8%8d%e5%87%ba%e7%9c%9f%e6%99%ba%e8%83%bd%e4%bd%93workflowarena-%e7%9a%84%e5%bc%80%e6%94%be%e5%bc%8f%e7%bc%96)
 * [二、 8 大领域 145 项硬核任务与“拒绝差不多”的隐藏判题机制](https://paooo.com/ai-study/43036/#%e4%ba%8c-8-%e5%a4%a7%e9%a2%86%e5%9f%9f-145-%e9%a1%b9%e7%a1%ac%e6%a0%b8%e4%bb%bb%e5%8a%a1%e4%b8%8e%e6%8b%92%e7%bb%9d%e5%b7%ae%e4%b8%8d%e5%a4%9a%e7%9a%84%e9%9a%90%e8%97%8f%e5%88%a4%e9%a2%98%e6%9c%ba)
 * [三、 9 大模型 25 组配置横向实测：八大领域分化剧烈，Opus 5.5 夺魁仍不足四成](https://paooo.com/ai-study/43036/#%e4%b8%89-9-%e5%a4%a7%e6%a8%a1%e5%9e%8b-25-%e7%bb%84%e9%85%8d%e7%bd%ae%e6%a8%aa%e5%90%91%e5%ae%9e%e6%b5%8b%e5%85%ab%e5%a4%a7%e9%a2%86%e5%9f%9f%e5%88%86%e5%8c%96%e5%89%a7%e7%83%88opus-55-%e5%a4%ba)
 * [四、 “换脑不换手”编排迁移实证：为何决定上限的是编排而非盲目烧钱？](https://paooo.com/ai-study/43036/#%e5%9b%9b-%e6%8d%a2%e8%84%91%e4%b8%8d%e6%8d%a2%e6%89%8b%e7%bc%96%e6%8e%92%e8%bf%81%e7%a7%bb%e5%ae%9e%e8%af%81%e4%b8%ba%e4%bd%95%e5%86%b3%e5%ae%9a%e4%b8%8a%e9%99%90%e7%9a%84%e6%98%af%e7%bc%96%e6%8e%92)
       * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/ai-study/43036/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight)

此前的 Agent 基准测试通常存在两类盲区：要么只评估单一上下文的端到端完成度，要么由
人类开发者预先写死静态 DAG 与角色分工，测的其实是开发者的工程设计而非模型的组织智商。**
WorkflowArena（arXiv:2611.12856）** 首次把“系统拓扑设计权”交还给运行时的[大模型](https://paooo.com/ai-study/)
本身。在干净隔离的 Harbor 兼容容器环境中，每道题目赋予主智能体与最多 **16 个并发
Worker** 共计 **14,400 秒（4 小时）** 的共享执行时间预算——所有规划、派生、上下文
交接、返工与验证成本均计入同一总账。

## 二、 8 大领域 145 项硬核任务与“拒绝差不多”的隐藏判题机制

WorkflowArena 在任务构建上刻意筛选“可拆分但相互耦合”的真实工作流素材，共计收录 **
145 道规范任务**，涵盖 **17 种交付形态**，横跨八大专业领域：软件工程（SWE，17 题）、
企业运营（OPS，18 题）、科学研究（SCI，16 题，含 33 份冻结科学数据文件）、形式数学（
MATH，24 题）、金融会计（FIN，16 题，随附 154 份数据源记录）、法律实务（LAW，22 
题）、内容设计（CDN，14 题）以及 3D 建模与动画（3D，18 题）。

为彻底杜绝“子任务看似做对、合并时接口炸裂”的虚假繁荣，WorkflowArena 坚持 **隐藏式
整体判题（Hidden Verifier）**：测试脚本与参考答案严格存放于 Solver 容器不可见的 `
tests/` 侧。其主指标 **Overall Resolved（完全解决率）** 要求交付物满足该任务的**
全部**验收标准——代码修改须全量通过回归测试、财务报表须完成跨主体对账、3D 部件须遵守
共享空间几何约束；只要有一环未整合成功即判定失败，同时辅以 0–100 的 **Overall Score**
连续分记录部分进展，且运营类任务还额外校验操作日志合规性。

![WorkflowArena 基准构建流程与隐藏式整体判题评测协议架构图](https://paooo.com/wp-
content/uploads/2026/11/paooo-ai-bot-inline-1121-1500-1795244913500-488.avif)

## 三、 9 大模型 25 组配置横向实测：八大领域分化剧烈，Opus 5.5 夺魁仍不足四成

研究团队在论文中完整评测了 **9 款主流大模型共 25 组推理强度（Effort）配置**（包括
Claude Code 承载的 Claude 系列与开源/国产模型，以及 Codex 承载的 GPT-6 系列）。最
引人注目的发现是：没有任何一款模型能在所有八个领域全面称王，且顶尖模型的总解决率
仍有极大提升空间——最佳成绩仅为 **Claude Opus 5.5（max）的 36.95%**，最佳连续分为**
Claude Opus 5.5（high）的 80.21 分**。

深入拆解行为日志还会发现截然不同的调度哲学：在高推理强度下，**Claude 系列（Claude
Code）倾向于“少调度、大编队”**——减少工作流调用频次，但单次拉起规模更大的 Worker 
群体；而 **GPT-6 系列（Codex）则偏好“高频次、小步快跑”**，频繁拆出细粒度小单元委派。
更耐人寻味的是各领域的严重偏科：例如 Claude Opus 5.5（max）在形式数学 `MATH` 拿下**
95.83%** 的惊人解决率，在 `LAW` 法律实务却录得 **0.00%**；而 `GPT-6 Astra（xhigh）`
在 `OPS` 运营与 `MATH` 表现稳健，在 `SWE` 却全线交出 **0.00%**。

![WorkflowArena 九大模型 25 种配置的完全解决率与单题平均推理成本帕累托前沿对比图](
https://paooo.com/wp-content/uploads/2026/11/paooo-ai-bot-inline-1121-1500-1795244924436-
4004.avif)

  |  模型与执行底座 (Harness) |  推理强度 (Effort) |  总解决率 (Resolved %) |  连续得分 / 核心分域表现亮点与短板 |  
   |  **Claude Opus 5.5** (Claude Code) |  max |  **36.95%** |  Score 79.94 ｜ MATH 95.83%、CDN 57.14%、SCI 56.25%、SWE 29.41%，但 LAW 0.00% |  
 |  **Claude Opus 5.5** (Claude Code) |  high |  34.11% |  Score **80.21** (全场最高) ｜ FIN 18.75%、3D 27.78%、LAW 4.55% |  
 |  **Claude Sonnet 5.5** (Claude Code) |  max |  33.21% |  Score 73.11 ｜ CDN 64.29% (全场最佳)、LAW 9.09%、MATH 79.17% |  
 |  **GPT-6 Astra** (Codex) |  xhigh |  30.80% |  Score 77.69 ｜ MATH 83.33%、CDN 57.14%、OPS 22.22% (high 达 27.78%)，SWE 0.00% |  
 |  **GPT-6.1 Sol** (Codex) |  xhigh |  29.50% |  Score 77.52 ｜ MATH 79.17%、CDN 57.14%、3D 22.22%、SWE 0.00% |  
 |  **Kimi K3.1 Pro** (Claude Code) |  max |  16.48% |  Score 62.73 ｜ 在 32 题迁移子集引入 Opus 5.5 动态编排后，连续分可从 35.75 跃升至 **46.61** |  
 |  **GPT-6 Luna** / **Doubao-Seed-Evolving** |  max / high |  13.32% / 10.84% |  Score 55.44 / 48.66 ｜ 轻量与特定优化梯队，长程耦合任务整合失分显著 |  
 |  **DeepSeek V4.1 Flash** / **GLM-5.3 Flash** |  max / max |  6.08% / 4.43% |  Score 34.48 / 39.03 ｜ 极低单题成本路线，但复杂多步协同仍需强编排大脑外挂赋能 |

## 四、 “换脑不换手”编排迁移实证：为何决定上限的是编排而非盲目烧钱？

为了把“写工作流的大脑”和“干具体活的双手”彻底解耦，Navers Lab 在 32 道高难度跨领域
题目上设计了极具启发性的 **Workflow Transfer（编排迁移）实验**：让前沿强模型（如
Claude Opus 5.5 或 GPT-6 Astra）只负责撰写可执行工作流与 Worker 提示指令，**绝不
允许触碰工作区任何文件**；实际文件修改、代码编写与计算全部交给固定不变的执行模型（
Kimi K3.1 Pro、GPT-6 Luna、Doubao-Seed-Evolving 或 DeepSeek V4.1 Flash）完成，并
分别测试事前冻结的“静态编排”与根据 Worker 反馈在线调整的“动态编排”。

实验数据给出了极其震撼的工程答案：当执行底座固定为 **Kimi K3.1 Pro** 时，它自己当
指挥官的动态得分为 **35.75**；一旦换上 **Opus 5.5（max）** 编写静态流程即跃升至 **
45.04**，切换为 Opus 5.5 动态协同更一举飙升至 **46.61**（净增 **+10.86 分**）。同样，**
DeepSeek V4.1 Flash** 在 Opus 5.5 动态编排驱动下从自编排的 **18.37** 大幅提高到 **
25.24**；而有趣的是，若改用 **GPT-6 Astra** 给 DeepSeek V4.1 Flash 写静态工作流，
得分反而滑落至 **12.85**。这意味着优质编排策略并非简单的“提示词加长”，而是必须与
执行模型的指令遵循习惯、上下文边界高度契合——目前仓库已完整开源（`git clone https://
github.com/Einsia/WorkflowArena.git`）并提供 SHA-256 资产校验与 Harbor 一键物化脚本，
方便工程团队在真实生产栈中复现这套帕累托最优组合。

#### 📝 站长洞察 (Editor’s Insight)

WorkflowArena 是近期最值得 Agent 架构师精读的硬核基准，它用 145 道真实交付题撕开
了当下“多智能体热潮”的两层窗户纸：第一，哪怕强如 Claude Opus 5.5 全力输出，面对跨越
代码、财务对账、3D 空间约束的强耦合长程任务，完全解决率也只有 36.95%，证明多智能
体从“能拆分”到“能无损整合”还有很长的路要走；第二，“换脑不换手”迁移实验揭示了一条
极具性价比的工程捷径——生产环境完全可以用极高智商的旗舰模型充当轻量级动态 Orchestrator
编排调度，把海量读写执行卸载给高并发低价模型，从而在成本与解决率帕累托前沿上跑出
最优解。

🧭 文中关联 AI 工具官网与参数卡（语宙 AI 导航）

**Opus ↗**

Opus助力创意革新，在内容创作与营销推广等方面发挥作用，提供独特创作体验。

**Claude Code ↗**

Claude Code：人工智能安全和研究公司，面向AI 编程辅助场景提供便捷实用的在线功能支持，
涵盖AI编程等

**Claude ↗**

Anthropic 打造的新一代安全人工智能模型，具备超长上下文理解能力，最强代码伴侣。

❓ 常见问题解答（FAQ）

WorkflowArena主要测什么能力？

它主要评测多智能体系统的可执行工作流编排能力，包括任务拆解、子智能体调度、上下文
交接、并行结果整合与最终验收，而不是只看单轮问答或静态流水线完成度。

WorkflowArena为什么比传统Agent榜单更难？

因为它不预设固定分工脚本，主模型必须在运行时自己决定是否拆分、如何派发最多16个并发
Worker，并在统一时间预算内完成返工与整合；同时采用隐藏式整体判题，任何一环失败都
算未解决。

哪款模型在WorkflowArena上表现最好？

文中给出的最佳总解决率是Claude Opus 5.5（max），为36.95%；最佳连续分是Claude Opus
5.5（high），为80.21分。但各领域表现差异很大，说明当前顶尖模型仍存在明显偏科。

📊 WorkflowArena 任务类型与数量分布（AI 视觉结构化提取）

**核心发现：**图中展示的是 WorkflowArena 的任务类别分布图，共 145 项任务，数量最多
的是 MATH（24）和 LAW（22），OPS 与 3D 各 18 项。

| 任务类别 | 任务数 | 
| LAW | 22 | 
| MATH | 24 | 
| OPS | 18 | 
| 3D | 18 | 
| SCI | 16 | 
| FIN | 16 | 
| CDN | 14 | 
| SWE | 17 |

🔬 语宙深潜追问 · 进阶实操拆解

长程编排落地最先补哪层能力？

优先补任务分解、状态管理和失败恢复三层。长程编排的瓶颈通常不在单步推理，而在跨步骤
记忆、工具调用一致性与异常回滚。先把可观测性、重试策略和人工接管点设计好，再谈模型
替换。

换脑不换手迁移怎么降低风险？

先冻结工具接口和执行协议，只替换决策模型，再用离线回放与小流量灰度验证。重点看任务
完成率、错误传播率和回滚成本，而不是只看单轮准确率。若指标波动大，说明工作流约束
还不够强。

🗳️ 读者观点微投票 · 您的实战立场是？

多智能体编排该继续押注大模型吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🤖 所属权威专题：AI Agent 智能体工作流 →](https://paooo.com/topics/ai-agents/)

 * [三分之二公开榜单都在误判！Eugene Yan 万字拆解 12 大 AI 智能体评测：隐藏断言错杀与 pass^k 可靠性重构全指南](https://paooo.com/ai-study/43026/)
 * [腾讯甩出 WorkBuddy Bench：一套把代码、网页、办公、安全全装进来的编码智能体考场](https://paooo.com/aigc-news/38894/)
 * [谁才是 2026 编码智能体之王？7 大开源 Coding Agent 巅峰对决 Claude Code：统一模型底座、6 大极限用例实测与 Token 成本全景横评](https://paooo.com/trends/40379/)
 * [Qwen3.7-Max 编程能力登顶全球第二！Code Arena 1541分碾压GPT-5.5，35小时自主任务改写生产力规则](https://paooo.com/aigc-news/17792/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/ai-study/43036/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
