Arena：在 Agent Arena 的長時間任務中，Claude Opus 5.5 執行時間最長，Kimi K3.1 Pro 最短

Arena（排行榜發布者）表示，其 Agent Arena 中需要數百回合的長時間任務（例如將程式碼庫移植到 Rust、稽核投資策略文件、撰寫數學教科書），會放大前沿模型之間的差異。

比較五家實驗室的頂尖模型（Claude Opus 5.5、Gemini 4 Carbon、GPT-6 Astra、Muse Wonder Full 和 Kimi K3.1 Pro）時，Arena 報告稱，這些模型在長時間任務上花費的時間相差 55 分鐘。Agent Arena 排名第 1 的 Claude Opus 5.5 在各種任務長度下耗時都是最長，最高達 1 小時 51 分鐘；Kimi K3.1 Pro 耗時最短，在長時間任務上為 56 分鐘。

Arena 也表示，隨著任務變得更複雜，Google DeepMind 和 Xiaomi 的進步幅度最大。在成本較低的任務中，OpenAI 和 Anthropic 佔據 11 個前沿席位中的 10 個；在成本最高的 5% 工作階段中，兩者佔據 7 個，Gemini 4 Argon 以及 Xiaomi 的 MiMo-V2.6 Flash 和 Pro 則佔據其餘席位。Arena 補充說，過去兩週有超過 1,000 個工作階段的成本達到或超過 $100。這些數據由 Arena 自行提供。