Agent Arena 长任务评测揭示模型差距
先了解这件事
2026年11月5日，Arena（@arena）在 X 上连续发布多条基于 Agent Arena 的评测结果。Agent Arena 用跨数百轮的长周期任务（如代码库迁移至 Rust、投资策略文档审计、撰写数学教材）评测模型，称前沿模型差异在长任务中被放大：五大实验室各自最强模型在长任务耗时上相差 55 分钟，其中 Claude Opus 5.5 在各任务长度下耗时最长，峰值达 1 小时 51 分钟，Kimi K3.1 Pro 耗时最短，长任务仅 56 分钟。Arena 还称，在最昂贵的 5% 会话中，OpenAI 和 Anthropic 只占 11 个前沿席位中的 7 个，释放的席位由 Gemini 4 Argon 和 Xiaomi MiMo-V2.6 Flash/Pro 获得；近两周超过 1,000 个会话成本超过 100 美元。Arena 表示 Google DeepMind 模型在成本上的扩展性更好，Gemini 4 Carbon 是典型例子。另据统计，近 14 天近 30,000 个运行超过 1 小时的任务平均每小时做 332 次工具调用，选对模型最多可省 66% 成本。
AI 根据报道生成 · 4 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Arena.ai (@arena) · XAgent Arena 数据显示长时任务中模型选择最多可省66%成本
Agent Arena 统计近14天近30000个运行超过1小时的任务，平均模型每小时做332次工具调用，选对模型最多可省66%成本。
- Arena.ai (@arena) · XArena 数据显示 Gemini 4 Carbon 在高成本任务上的成本扩展性优于竞争对手
Arena 基于 Agent Arena 会话数据称，Google DeepMind 的模型在成本上的扩展性更好，Gemini 4 Carbon 是典型例子。
- Arena.ai (@arena) · XAgent Arena 数据显示任务越复杂 Gemini 4 Argon 与 MiMo-V2.6 排名上升
Agent Arena 数据显示，在最昂贵的 5% 会话中 OpenAI 和 Anthropic 只占 11 个前沿席位中的 7 个，释放的席位由 Gemini 4 Argon 和 Xiaomi MiMo-V2.6 Flash/Pro 获得。近两周超过 1,000 个会话成本超过 $100，选错模型可能明显影响最终账单。
- Arena.ai (@arena) · XAgent Arena 长任务揭示前沿模型差距
Agent Arena 用跨数百轮的长周期任务（如代码库迁移至 Rust、投资策略文档审计、撰写数学教材）评测模型，发现前沿模型差异被放大。五大实验室各自最强模型在长任务耗时上相差 55 分钟：排名第一的 Claude Opus 5.5 在各任务长度下耗时最长，峰值达 1 小时 51 分钟；Kimi K3.1 Pro 耗时最短，长任务仅 56 分钟。
本事件热度走势
当前热度 9·可比范围峰值 10（11月5日 02:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。