Arena: em tarefas de longo horizonte do Agent Arena, Claude Opus 5.5 trabalha por mais tempo, e Kimi K3.1 Pro, por menos tempo

Arena, que publica rankings, afirma que as tarefas de longo horizonte do Agent Arena — que duram centenas de turnos (portar uma base de código para Rust, auditar um documento sobre estratégia de investimento, escrever um livro didático de matemática) — ampliam as diferenças entre os modelos de fronteira.

Ao comparar o principal modelo de cinco laboratórios (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full e Kimi K3.1 Pro), a Arena relata uma diferença de 55 minutos no tempo gasto em tarefas de longo horizonte. Claude Opus 5.5, em 1º lugar no Agent Arena, leva mais tempo em tarefas de qualquer duração, chegando a 1 hora e 51 minutos; Kimi K3.1 Pro leva menos tempo: 56 minutos nas tarefas de longo horizonte.

A Arena também afirma que Google DeepMind e Xiaomi são os que mais avançam à medida que as tarefas ficam mais complexas. Nas tarefas mais baratas, OpenAI e Anthropic ocupam 10 das 11 primeiras posições entre os modelos de fronteira; nos 5% de sessões mais caras, ocupam 7, e Gemini 4 Argon e MiMo-V2.6 Flash e Pro, da Xiaomi, ficam com as demais. A Arena acrescenta que mais de 1.000 sessões nas últimas duas semanas custaram US$ 100 ou mais. Os dados são da própria Arena.