Arena: लंबी अवधि वाले Agent Arena कार्यों में Claude Opus 5.5 सबसे अधिक समय लेता है और Kimi K3.1 Pro सबसे कम

लीडरबोर्ड प्रकाशित करने वाली Arena का कहना है कि उसके Agent Arena में लंबी अवधि वाले कार्य—जो सैकड़ों चरणों तक चलते हैं (किसी कोडबेस को Rust में पोर्ट करना, निवेश रणनीति के दस्तावेज़ का ऑडिट करना, गणित की पाठ्यपुस्तक लिखना)—अग्रणी मॉडलों के बीच के अंतर को और बढ़ा देते हैं।

पाँच लैब के शीर्ष मॉडलों (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full और Kimi K3.1 Pro) की तुलना में Arena लंबी अवधि वाले कार्यों पर बिताए गए समय में 55 मिनट का अंतर बताती है। Agent Arena में #1 Claude Opus 5.5 हर कार्य-अवधि में सबसे अधिक समय लेता है—अधिकतम 1 घंटा 51 मिनट; Kimi K3.1 Pro सबसे कम समय लेता है और लंबी अवधि वाले कार्यों पर 56 मिनट खर्च करता है।

Arena का यह भी कहना है कि कार्यों के अधिक जटिल होने पर Google DeepMind और Xiaomi को सबसे अधिक लाभ होता है। कम लागत वाले कार्यों में OpenAI और Anthropic के पास अग्रणी मॉडलों के 11 में से 10 स्थान हैं; सबसे महँगे 5% सत्रों में उनके पास 7 स्थान हैं, जबकि बाकी स्थान Gemini 4 Argon और Xiaomi के MiMo-V2.6 Flash और Pro को मिले हैं। Arena के मुताबिक, पिछले दो हफ्तों में 1,000 से अधिक सत्रों की लागत $100 या उससे अधिक रही। ये आँकड़े Arena के अपने हैं।