Arena：長時間にわたるAgent Arenaのタスクで、Claude Opus 5.5は最も長く、Kimi K3.1 Proは最も短く作業する

Arenaによると、同社のAgent Arenaにおける長時間タスクは数百ターンに及び（コードベースのRustへの移植、投資戦略文書の監査、数学の教科書の執筆など）、最先端モデル間の差を広げるという。

5つのラボの最上位モデル（Claude Opus 5.5、Gemini 4 Carbon、GPT-6 Astra、Muse Wonder Full、Kimi K3.1 Pro）を比較したところ、Arenaの報告では、長時間タスクに費やす時間に55分の差があった。Agent Arenaで1位のClaude Opus 5.5は、どのタスクの長さでも最も時間がかかり、最長で1時間51分。一方、Kimi K3.1 Proは最も短く、長時間タスクでは56分だった。

Arenaはまた、タスクが複雑になるほどGoogle DeepMindとXiaomiが最も大きく伸びるとしている。低コストのタスクではOpenAIとAnthropicが最先端モデルの11枠中10枠を占めるが、費用が最も高いセッションの上位5%では7枠となり、残りはGemini 4 ArgonとXiaomiのMiMo-V2.6 FlashおよびProが占める。さらにArenaによると、過去2週間で1,000件を超えるセッションの費用が100ドル以上だった。これらの数値はArena独自のものだ。