Arena：在 Agent Arena 的长时程任务中，Claude Opus 5.5 耗时最长，Kimi K3.1 Pro 最短

Arena（排行榜发布方）称，其 Agent Arena 中的长时程任务通常包含数百轮（例如将代码库移植到 Rust、审计投资策略文档、撰写数学教科书），这会拉大前沿模型之间的差距。

Arena 对比了五家实验室的顶尖模型（Claude Opus 5.5、Gemini 4 Carbon、GPT-6 Astra、Muse Wonder Full 和 Kimi K3.1 Pro），报告称它们在长时程任务上的耗时相差 55 分钟。Agent Arena 排名第一的 Claude Opus 5.5 在各种任务时长下耗时都最长，最长达 1 小时 51 分钟；Kimi K3.1 Pro 耗时最短，在长时程任务上为 56 分钟。

Arena 还表示，随着任务复杂度提高，Google DeepMind 和 Xiaomi 的表现提升最大。在成本较低的任务中，OpenAI 和 Anthropic 占据 11 个前沿排名中的 10 个；而在成本最高的 5% 会话中，它们占据 7 个席位，其余由 Gemini 4 Argon 以及 Xiaomi 的 MiMo-V2.6 Flash 和 Pro 占据。Arena 补充称，过去两周有超过 1,000 个会话的成本达到或超过 100 美元。以上数据均来自 Arena 自身。