Arena: w zadaniach o długim horyzoncie w Agent Arena Claude Opus 5.5 pracuje najdłużej, a Kimi K3.1 Pro — najkrócej

Arena, wydawca rankingu, podaje, że zadania o długim horyzoncie w Agent Arena — obejmujące setki tur (przeniesienie bazy kodu do Rust, audyt dokumentu dotyczącego strategii inwestycyjnej czy napisanie podręcznika do matematyki) — uwypuklają różnice między czołowymi modelami.

Porównując najlepszy model z pięciu laboratoriów (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full i Kimi K3.1 Pro), Arena odnotowuje 55-minutową różnicę w czasie poświęcanym na zadania o długim horyzoncie. Claude Opus 5.5, zajmujący 1. miejsce w Agent Arena, pracuje najdłużej przy zadaniach każdej długości — do 1 godziny i 51 minut; Kimi K3.1 Pro pracuje najkrócej: 56 minut przy zadaniach o długim horyzoncie.

Arena twierdzi też, że Google DeepMind i Xiaomi zyskują najwięcej, gdy zadania stają się bardziej złożone. W przypadku tańszych zadań OpenAI i Anthropic zajmują 10 z 11 czołowych miejsc; wśród 5% najdroższych sesji zajmują 7, a pozostałe miejsca przypadają Gemini 4 Argon oraz modelom MiMo-V2.6 Flash i Pro od Xiaomi. Arena dodaje, że w ciągu ostatnich dwóch tygodni ponad 1000 sesji kosztowało co najmniej 100 USD. Podane dane pochodzą od samej Areny.