Arena: в длительных задачах Agent Arena Claude Opus 5.5 работает дольше всех, а Kimi K3.1 Pro — меньше всех

Arena, издатель рейтинга, сообщает, что длительные задачи в Agent Arena, занимающие сотни ходов (перенос кодовой базы на Rust, аудит инвестиционной стратегии, написание учебника по математике), сильнее выявляют различия между передовыми моделями.

Сравнив лучшие модели пяти лабораторий (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full и Kimi K3.1 Pro), Arena сообщает о 55-минутной разнице во времени, затрачиваемом на длительные задачи. Claude Opus 5.5, занимающая первое место в Agent Arena, тратит больше всех при задачах любой продолжительности — до 1 часа 51 минуты; Kimi K3.1 Pro тратит меньше всех: 56 минут на длительные задачи.

Arena также утверждает, что Google DeepMind и Xiaomi выигрывают больше всех по мере усложнения задач. В более дешёвых задачах OpenAI и Anthropic занимают 10 из 11 мест среди передовых моделей; в самых дорогих 5% сессий — 7 мест, а остальные достаются Gemini 4 Argon и MiMo-V2.6 Flash и Pro от Xiaomi. Arena добавляет, что за последние две недели более 1 000 сессий стоили $100 или больше. Эти цифры приводит сама Arena.