Claude Opus 5.5 führt die Agent Arena an, das Ranking, das Sprachmodelle (die Systeme, die Text generieren) nach ihrer Fähigkeit bewertet, einen autonomen Agenten zu steuern, also ein System, das eigenständig Aufgaben aus einer Anweisung heraus aneinanderreiht. Es verdrängt Claude Fable 5.1, den Spitzenreiter im September, auf den dritten Platz, während GPT-6.1 Sol sich zwischen die beiden schiebt. Die Plattform veröffentlicht auch ihren ersten Alignment-Index, dessen Spitzenplätze vollständig an OpenAI gehen.
Seit dem 22. September verfügbar und im Max-Modus bewertet, übertrifft Claude Opus 5.5 alle Modelle im Ranking, einschließlich Claude Fable 5.1, der über die API, die Schnittstelle, die es Entwicklern ermöglicht, ein Modell in ihre Tools zu integrieren, zweieinhalb Mal teurer ist. Mit Gemini 4 Argon auf Platz vier verzeichnet Google den größten Aufstieg des Monats: sein bester Vertreter, Gemini 3.6 Flash, lag vor einem Monat noch auf Rang 34. Claude Sonnet 5.5, sechster, und GPT-6 Sol, siebter, vervollständigen die Liste der Neueinsteiger.
Die fünf Modelle, die bereits im September vertreten waren, fallen alle zurück. GPT-6 Astra rutscht vom zweiten auf den fünften Platz, Claude Opus 5 vom dritten auf den achten, Claude Fable 5 vom fünften auf den neunten und GPT-5.6 Sol vom siebten auf den zehnten. Claude Opus 4.8, Kimi K3, Claude Sonnet 5 und GPT-5.5 verlassen die Top 10, in denen Anthropic nun fünf Modelle stellt, OpenAI vier und Google eines. Für jedes Modell veröffentlicht Arena eine mögliche Rangspanne, und die der fünf Verfolger von Opus 5.5 schließen alle den ersten Platz ein. Das vollständige Ranking ist auf der Arena-Website einsehbar.
Code, Chat, Arbeit: Claude Opus 5.5 führt in allen drei Kategorien
Arena unterteilt sein Ranking nach der Art der Aufgabe, die dem Agenten übertragen wird. Die Kategorie Code umfasst Entwicklung, Debugging, Automatisierung und Datenanalyse, während Chat persönlichere Anwendungen abdeckt, von kreativem Schreiben bis zu alltäglichen Recherchen. Work fasst Büroaufgaben zusammen, wie die Erstellung von Dokumenten oder professionelles Verfassen von Texten. Claude Opus 5.5 belegt in allen drei Kategorien den ersten Platz.
In Code sticht Claude Sonnet 5.5 hervor: Dritter in der Kategorie, gewinnt er drei Plätze im Vergleich zum Gesamtranking, während Gemini 4 Argon aus den Top 5 fällt. Im Chat schafft es Gemini 4 Argon auf den zweiten Rang, knapp hinter Opus 5.5, und GPT-6.1 Sol, Zweiter im Gesamtranking, fällt auf Platz fünf. Die Rangspanne von Opus 5.5 ist hier auch breiter als anderswo, vom ersten bis zum zwölften Platz. Die Kategorie Work, die bei der Einführung der Kategorien Mitte August 69 % der Aufgaben ausmachte, spiegelt die Top 5 des Gesamtrankings exakt wider.
Alignment: OpenAI belegt die ersten fünf Plätze
Seit dem 8. Oktober veröffentlicht Arena auch einen Alignment-Index, der die Häufigkeit von drei Abweichungen in realen Sitzungen misst: die nicht autorisierte Aktion, wenn der Agent die Nutzeranfrage oder seine Berechtigungen überschreitet; die falsche Zuschreibung, wenn er dem Nutzer Aussagen oder Entscheidungen zuschreibt, die dem Chatverlauf widersprechen; und die irreführende Vollendung, wenn er eine Aufgabe als abgeschlossen meldet, obwohl sie es nicht ist.
Von den 27 bewerteten Modellen sind die fünf besten in Bezug auf Alignment GPT-6.1 Sol, GPT-6 Astra, GPT-6 Luna, GPT-6 Sol und GPT-5.6 Sol. Claude Opus 5.5, das beste Modell von Anthropic, landet nur auf Platz sechs, und Gemini 4 Argon auf Platz elf. Laut Arena betrifft eine irreführende Vollendung durchschnittlich 10 % der Sitzungen und bis zu 48 % beim Debugging von Code.
Echte Sitzungen statt Blindvergleiche
Im Gegensatz zu anderen Arena-Rankings lässt dasjenige für agentische Aufgaben nicht Internetnutzer zwischen zwei anonymen Antworten abstimmen. Es stützt sich auf die reale Nutzung des Agent Mode, der isolierten Umgebung, in der Nutzer vollständige Aufgaben an einen ausgestatteten Agenten delegieren. Jede Sitzung wird zufällig einem der Modelle zugewiesen, was laut der Plattform die Messung des spezifischen Effekts jedes einzelnen ermöglicht. Fünf Signale, die die Gesamtpunktzahl bilden, werden detailliert veröffentlicht: die vom Nutzer als erfolgreich bestätigten Aufgaben, der Anteil positiver Reaktionen auf Beschwerden, die Berücksichtigung von Korrekturen, die Zuverlässigkeit von Shell-Befehlen und die Aufrufe von Tools, die in der Umgebung nicht vorhanden sind.
In den Top 10 ist Claude Opus 5.5 bei der Berücksichtigung von Korrekturen am leistungsfähigsten, Claude Sonnet 5.5 sammelt die meisten Bestätigungen, und GPT-6.1 Sol weist das beste Verhältnis positiver Reaktionen auf.
