Arena: Trong các tác vụ Agent Arena kéo dài, Claude Opus 5.5 làm việc lâu nhất, còn Kimi K3.1 Pro ngắn nhất

Arena, đơn vị công bố bảng xếp hạng, cho biết các tác vụ kéo dài trong Agent Arena — gồm hàng trăm lượt (chuyển một codebase sang Rust, kiểm toán tài liệu về chiến lược đầu tư, viết sách giáo khoa toán) — làm gia tăng khác biệt giữa các mô hình tiên tiến nhất.

Khi so sánh mô hình đứng đầu của năm phòng thí nghiệm (Claude Opus 5.5, Gemini 4 Carbon, GPT-6 Astra, Muse Wonder Full và Kimi K3.1 Pro), Arena ghi nhận chênh lệch 55 phút về thời gian thực hiện các tác vụ kéo dài. Claude Opus 5.5, đứng đầu Agent Arena, mất nhiều thời gian nhất ở mọi độ dài tác vụ, lên tới 1 giờ 51 phút; Kimi K3.1 Pro mất ít thời gian nhất, 56 phút cho các tác vụ kéo dài.

Arena cũng cho biết Google DeepMind và Xiaomi đạt được nhiều tiến bộ nhất khi tác vụ trở nên phức tạp hơn. Với các tác vụ ít tốn kém hơn, OpenAI và Anthropic chiếm 10 trong 11 vị trí dành cho các mô hình tiên tiến nhất; trong 5% phiên tốn kém nhất, họ chiếm 7 vị trí, còn Gemini 4 Argon cùng MiMo-V2.6 Flash và Pro của Xiaomi chiếm các vị trí còn lại. Arena cho biết thêm, trong hai tuần qua có hơn 1.000 phiên tốn từ $100 trở lên. Các số liệu này do chính Arena cung cấp.