Arena: dalam tugas Agent Arena berdurasi panjang, Claude Opus 5.5 bekerja paling lama dan Kimi K3.1 Pro paling singkat

Arena, penerbit papan peringkat tersebut, mengatakan bahwa tugas berdurasi panjang di Agent Arena—yang berlangsung selama ratusan giliran (memindahkan codebase ke Rust, mengaudit dokumen strategi investasi, menulis buku teks matematika)—memperlebar perbedaan di antara model-model terdepan.

Dengan membandingkan model teratas dari lima laboratorium (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full, dan Kimi K3.1 Pro), Arena melaporkan selisih 55 menit dalam waktu yang dihabiskan untuk tugas berdurasi panjang. Claude Opus 5.5, peringkat #1 di Agent Arena, membutuhkan waktu paling lama untuk setiap durasi tugas, hingga 1 jam 51 menit; Kimi K3.1 Pro paling singkat, 56 menit untuk tugas berdurasi panjang.

Arena juga mengatakan bahwa Google DeepMind dan Xiaomi memperoleh peningkatan terbesar saat tugas makin kompleks. Pada tugas yang lebih murah, OpenAI dan Anthropic mengisi 10 dari 11 posisi teratas; pada 5% sesi termahal, mereka mengisi 7 posisi, sementara Gemini 4 Argon serta MiMo-V2.6 Flash dan Pro dari Xiaomi menempati posisi lainnya. Arena menambahkan bahwa lebih dari 1.000 sesi dalam dua minggu terakhir menelan biaya $100 atau lebih. Angka-angka ini berasal dari Arena sendiri.