Arena AI最新一期周榜出炉，智能体榜头名换人了。Anthropic的Claude Opus 5.5（Max）首次入榜就登顶，任务确认成功率17.29%，优势相当明显。国产大模型也没掉队，在综合、代码、多媒体等分榜稳居中上游。但17.29%这个数字本身也说明，智能体离"真能用"还有很长的路。
arXiv上新出的Humanize MLE Agents，盯的就是这个差距。跑长周期机器学习工程任务的LLM智能体，目前基本靠单个"外壳"硬扛：工具、技能、积累的经验全塞进一套上下文管理里，任务一拉长就绷不住。这篇论文提出多智能体会话交替的思路，让多个智能体轮流接手同一项任务，突破单智能体的能力上限。
另一个卡点是工具调用。RATED这篇工作指出，现有工具检索只看语义相关性——用户问什么，就挑描述最像的工具。可工具在真实执行时能不能用、稳不稳定，几乎没人管。RATED改用执行动态做可靠性感知的检索，把"这个工具此刻能跑通吗"纳入排序。逻辑很直白：找个长得像的工具不难，找个真能跑通的才要命。
三件事拼在一起，方向就清楚了：智能体正从"会调工具"往"调对工具、稳跑长任务"进化。多智能体分工解决上下文撑爆，可靠性检索解决工具掉链子，榜单则给出一个残酷的坐标。谁先补齐这两块，谁就有机会在下一期周榜上改写那17.29%。