Arena: nelle attività a lungo orizzonte di Agent Arena, Claude Opus 5.5 impiega più tempo, Kimi K3.1 Pro meno

Arena, che pubblica la classifica, afferma che le attività a lungo orizzonte di Agent Arena, che durano centinaia di turni (portare una codebase in Rust, verificare una strategia d’investimento, scrivere un manuale di matematica), accentuano le differenze tra i modelli di frontiera.

Confrontando il modello migliore di cinque laboratori (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full e Kimi K3.1 Pro), Arena segnala una differenza di 55 minuti nel tempo impiegato per le attività a lungo orizzonte. Claude Opus 5.5, al primo posto in Agent Arena, impiega più tempo per attività di qualsiasi durata, fino a 1 ora e 51 minuti; Kimi K3.1 Pro ne impiega meno: 56 minuti nelle attività a lungo orizzonte.

Arena afferma inoltre che Google DeepMind e Xiaomi ottengono i maggiori vantaggi quando le attività diventano più complesse. Nelle attività meno costose, OpenAI e Anthropic occupano 10 degli 11 posti riservati ai modelli di frontiera; nel 5% delle sessioni più costose ne occupano 7, mentre gli altri sono appannaggio di Gemini 4 Argon e dei modelli MiMo-V2.6 Flash e Pro di Xiaomi. Arena aggiunge che nelle ultime due settimane oltre 1.000 sessioni sono costate almeno 100 $. I dati provengono da Arena stessa.