Claude Opus 5.5 encabeza la Agent Arena, la clasificación que jerarquiza los modelos de lenguaje (los sistemas que generan texto) según su capacidad para pilotar un agente autónomo, es decir, un sistema que encadena solo tareas a partir de una instrucción. Relega a Claude Fable 5.1, primero en septiembre, al tercer puesto, intercalándose GPT-6.1 Sol entre los dos. La plataforma también publica su primer índice de alineación, cuya parte alta corresponde íntegramente a OpenAI.
Disponible desde el 22 de septiembre y evaluado en modo Max, Claude Opus 5.5 supera a todos los modelos de la clasificación, incluido Claude Fable 5.1, facturado dos veces y media más caro a través de la API, la interfaz que permite a los desarrolladores integrar un modelo en sus herramientas. Con Gemini 4 Argon, cuarto, Google realiza la mayor progresión del mes: su mejor representante, Gemini 3.6 Flash, estaba en el puesto 34 hace un mes. Claude Sonnet 5.5, sexto, y GPT-6 Sol, séptimo, completan la lista de los nuevos entrantes.
Los cinco modelos ya presentes en septiembre retroceden todos. GPT-6 Astra pasa del segundo al quinto puesto, Claude Opus 5 del tercero al octavo, Claude Fable 5 del quinto al noveno, y GPT-5.6 Sol del séptimo al décimo. Claude Opus 4.8, Kimi K3, Claude Sonnet 5 y GPT-5.5 salen del top 10, donde Anthropic alinea ahora cinco modelos, OpenAI cuatro y Google uno. Para cada modelo, Arena publica un rango de posición posible, y los de los cinco perseguidores de Opus 5.5 incluyen todos el primer puesto. La clasificación completa es consultable en el sitio de Arena.
Código, chat, trabajo: Claude Opus 5.5 a la cabeza de las tres categorías
Arena desglosa su clasificación según el tipo de tarea confiada al agente. La categoría Código agrupa el desarrollo, la depuración, la automatización y el análisis de datos, mientras que Chat cubre usos más personales, desde la escritura creativa a las búsquedas cotidianas. Work reúne las tareas de oficina, como la creación de documentos o la redacción profesional. Claude Opus 5.5 llega primero en las tres.
En código, Claude Sonnet 5.5 se distingue: tercero de la categoría, gana tres puestos respecto a la clasificación general, mientras que Gemini 4 Argon sale del top 5. En chat, Gemini 4 Argon se sitúa en el segundo puesto, justo detrás de Opus 5.5, y GPT-6.1 Sol, segundo de la clasificación general, cae al quinto lugar. El rango de posición de Opus 5.5 también es más amplio aquí que en otros lugares, del primero al duodécimo puesto. La categoría Work, que concentraba el 69 % de las tareas en el lanzamiento de las categorías a mediados de agosto, reproduce idénticamente el top 5 de la clasificación general.
Alineación: OpenAI ocupa los cinco primeros puestos
Desde el 8 de octubre, Arena publica también un índice de alineación, que mide la frecuencia de tres desviaciones en las sesiones reales: la acción no autorizada, cuando el agente excede la petición del usuario o sus permisos; la falsa atribución, cuando atribuye al usuario afirmaciones o elecciones que los intercambios contradicen; y la finalización engañosa, cuando anuncia una tarea terminada cuando no lo está.
De los 27 modelos evaluados, los cinco mejor alineados son GPT-6.1 Sol, GPT-6 Astra, GPT-6 Luna, GPT-6 Sol y GPT-5.6 Sol. Claude Opus 5.5, primer modelo de Anthropic, solo llega sexto, y Gemini 4 Argon undécimo. Según Arena, una finalización engañosa afecta en promedio al 10 % de las sesiones, y hasta al 48 % en depuración de código.
Sesiones reales en lugar de duelos a ciegas
A diferencia de otras clasificaciones de Arena, la dedicada a las tareas agenticas no hace votar a los internautas entre dos respuestas anónimas. Se basa en el uso real de Agent Mode, el entorno aislado donde los usuarios confían tareas completas a un agente equipado. Cada sesión se atribuye al azar a uno de los modelos, lo que permite, según la plataforma, medir el efecto propio de cada uno. Se publican en detalle cinco señales que componen la puntuación global: las tareas confirmadas como exitosas por el usuario, la proporción de reacciones positivas frente a las quejas, la consideración de las correcciones, la fiabilidad de los comandos shell y las llamadas a herramientas ausentes del entorno.
En el top 10, Claude Opus 5.5 es el más eficaz en la consideración de las correcciones, Claude Sonnet 5.5 recoge la mayor cantidad de validaciones, y GPT-6.1 Sol muestra la mejor proporción de reacciones positivas.
