Arena: Agent Arena’nın uzun süreli görevlerinde Claude Opus 5.5 en uzun, Kimi K3.1 Pro ise en kısa süre çalışıyor

Arena adlı sıralama tablosu yayıncısı, Agent Arena’daki yüzlerce tur süren uzun süreli görevlerin (bir kod tabanını Rust’a taşıma, bir yatırım stratejisi belgesini denetleme, matematik ders kitabı yazma) öncü modeller arasındaki farkları büyüttüğünü söylüyor.

Arena, beş laboratuvarın en iyi modellerini (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full ve Kimi K3.1 Pro) karşılaştırarak uzun süreli görevlerde harcanan süre bakımından 55 dakikalık fark bildiriyor. Agent Arena’da 1. sırada olan Claude Opus 5.5, her görev uzunluğunda en uzun süre çalışıyor; süre 1 saat 51 dakikaya kadar çıkıyor. Kimi K3.1 Pro ise en kısa süreyi alıyor: uzun süreli görevlerde 56 dakika.

Arena ayrıca, görevler karmaşıklaştıkça Google DeepMind ve Xiaomi’nin en çok ilerleme kaydettiğini söylüyor. Daha ucuz görevlerde OpenAI ve Anthropic, öncü modeller arasındaki 11 sıranın 10’unu elinde tutarken, en pahalı oturumların yüzde 5’inde 7 sırayı alıyor; diğer sıralar Gemini 4 Argon ile Xiaomi’nin MiMo-V2.6 Flash ve Pro modellerine gidiyor. Arena, son iki haftada 1.000’den fazla oturumun 100 dolar veya daha fazlaya mal olduğunu da ekliyor. Rakamlar Arena’nın kendi verileri.