Arena: en tareas de larga duración de Agent Arena, Claude Opus 5.5 trabaja durante más tiempo y Kimi K3.1 Pro durante menos

Arena, que publica la clasificación, afirma que las tareas de larga duración de Agent Arena —que abarcan cientos de turnos (portar una base de código a Rust, auditar un documento sobre una estrategia de inversión, escribir un libro de texto de matemáticas)— amplían las diferencias entre los modelos de frontera.

Al comparar el modelo más destacado de cinco laboratorios (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full y Kimi K3.1 Pro), Arena informa de una diferencia de 55 minutos en el tiempo dedicado a las tareas de larga duración. Claude Opus 5.5, número 1 de Agent Arena, tarda más en tareas de cualquier duración, hasta 1 hora y 51 minutos; Kimi K3.1 Pro tarda menos: 56 minutos en las tareas de larga duración.

Arena también afirma que Google DeepMind y Xiaomi son quienes más mejoran a medida que aumenta la complejidad de las tareas. En las tareas más económicas, OpenAI y Anthropic ocupan 10 de los 11 primeros puestos entre los modelos de frontera; en el 5 % de las sesiones más costosas ocupan 7, y Gemini 4 Argon y MiMo-V2.6 Flash y Pro, de Xiaomi, ocupan los demás. Arena añade que más de 1.000 sesiones de las últimas dos semanas costaron $100 o más. Las cifras son de la propia Arena.