يتصدر نموذج Claude Opus 5.5 قائمة ‘أرينا الوكلاء’، التصنيف الذي يفصل بين نماذج اللغة (الأنظمة التي تولد النص) بناءً على قدرتها على توجيه وكيل مستقل، أي نظام يؤدي سلسلة من المهام بمفرده بناءً على تعليمات. ويحتل بذلك المرتبة الثالثة لنموذج Claude Fable 5.1 الذي كان الأول في سبتمبر، بينما يحل GPT-6.1 Sol في المركز الثاني بينهما. كما تنشر المنصة مؤشرها الأول للامتثال، الذي يتصدره نماذج OpenAI بالكامل.
المتاح منذ 22 سبتمبر والمقيم في وضع ‘ماكس’، يتفوق Claude Opus 5.5 على جميع النماذج في التصنيف، بما في ذلك Claude Fable 5.1 الذي يكلف ضعف ونصف السعر عبر واجهة برمجة التطبيقات (API) التي تتيح للمطورين دمج نموذج في أدواتهم. مع Gemini 4 Argon في المركز الرابع، يحقق Google أكبر تقدم لهذا الشهر: حيث كان أفضل ممثل له، Gemini 3.6 Flash، في المركز الرابع والثلاثين قبل شهر. يكمل قائمة الوافدين الجدد Claude Sonnet 5.5 في المركز السادس وGPT-6 Sol في المركز السابع.
تراجعت جميع النماذج الخمسة الموجودة بالفعل في سبتمبر. انتقل GPT-6 Astra من المركز الثاني إلى الخامس، وClaude Opus 5 من الثالث إلى الثامن، وClaude Fable 5 من الخامس إلى التاسع، وGPT-5.6 Sol من السابع إلى العاشر. خرجت Claude Opus 4.8 وKimi K3 وClaude Sonnet 5 وGPT-5.5 من قائمة العشرة الأوائل، حيث باتت Anthropic تمتلك خمسة نماذج فيها، وOpenAI أربعة، وGoogle نموذجاً واحداً. لكل نموذج، تنشر Arena نطاقاً ترتيبياً محتملاً، ونطاقات الخمسة نماذج التالية لـ Opus 5.5 تشمل جميعها المركز الأول. يمكن الاطلاع على التصنيف الكامل على موقع Arena.
البرمجة، الدردشة، العمل: Claude Opus 5.5 يتصدر الفئات الثلاث
تقسم Arena تصنيفها حسب نوع المهمة المسندة إلى الوكيل. تجمع فئة ‘البرمجة’ التطوير، وتصحيح الأخطاء، والأتمتة، وتحليل البيانات، بينما تغطي فئة ‘الدردشة’ استخدامات أكثر شخصية، من الكتابة الإبداعية إلى البحث اليومي. وتجمع فئة ‘العمل’ المهام المكتبية، مثل إنشاء المستندات أو الكتابة المهنية. يحتل Claude Opus 5.5 المركز الأول في الفئات الثلاث.
في البرمجة، يتميز Claude Sonnet 5.5: فهو ثالث في الفئة، ويتقدم ثلاث مراتب مقارنة بالتصنيف العام، بينما يخرج Gemini 4 Argon من قائمة الخمسة الأوائل. في الدردشة، يصعد Gemini 4 Argon إلى المركز الثاني، مباشرة بعد Opus 5.5، بينما يسقط GPT-6.1 Sol، الثاني في التصنيف العام، إلى المركز الخامس. نطاق الترتيب لـ Opus 5.5 هنا أيضاً أوسع منه في其他地方، من الأول إلى الثاني عشر. فئة ‘العمل’، التي شكلت 69% من المهام عند إطلاق الفئات منتصف أغسطس، تكرر نفس قائمة الخمسة الأوائل من التصنيف العام.
الامتثال: OpenAI تحتل المراكز الخمسة الأولى
منذ 8 أكتوبر، تنشر Arena أيضاً مؤشراً للامتثال، يقيس تكرار ثلاثة انحرافات في الجلسات الفعلية: الإجراء غير المصرح به، عندما يتجاوز الوكيل طلب المستخدم أو صلاحياته؛ الإسناد الخاطئ، عندما ينسب إلى المستخدم أقوالاً أو خيارات تناقضها المحادثات؛ والإكمال المضلل، عندما يعلن انتهاء مهمة بينما هي لم تنته بعد.
من بين 27 نموذجاً تم تقييمها، الخمسة الأكثر امتثالاً هي GPT-6.1 Sol وGPT-6 Astra وGPT-6 Luna وGPT-6 Sol وGPT-5.6 Sol. Claude Opus 5.5، النموذج الأول لـ Anthropic، يحل سادساً فقط، وGemini 4 Argon في المركز الحادي عشر. وفقاً لـ Arena، يصيب الإكمال المضلل في المتوسط 10% من الجلسات، ويرتفع إلى 48% في تصحيح أخطاء البرمجة.
جلسات فعلية بدلاً من مواجهات عمياء
على عكس التصنيفات الأخرى في Arena، فإن التصنيف المخصص للمهام الوكلائية لا يعتمد على تصويت المستخدمين بين ردين مجهولين. بل يعتمد على الاستخدام الفعلي لـ ‘وضع الوكيل’، البيئة المعزولة حيث يسند المستخدمون مهام كاملة إلى وكيل مجهز. تُخصص كل جلسة عشوائياً لأحد النماذج، مما يسمح، وفقاً للمنصة، بقياس التأثير الخاص لكل نموذج. تنشر خمس إشارات تشكل النتيجة الإجمالية بالتفصيل: المهام المؤكد نجاحها من قبل المستخدم، نسبة ردود الفعل الإيجابية تجاه الشكاوى، مراعاة التصحيحات، موثوقية أوامر shell، واستدعاء أدوات غير موجودة في البيئة.
ضمن العشرة الأوائل، يتميز Claude Opus 5.5 بأفضل أداء في مراعاة التصحيحات، بينما يحصل Claude Sonnet 5.5 على أكبر عدد من التأكيدات، ويظهر GPT-6.1 Sol أفضل نسبة لردود الفعل الإيجابية.
