Claude Opus 5.5 guida l’Agent Arena, la classifica che valuta i modelli linguistici (i sistemi che generano testo) in base alla loro capacità di pilotare un agente autonomo, ovvero un sistema che esegue autonomamente una serie di compiti a partire da un’istruzione. Relega Claude Fable 5.1, primo a settembre, al terzo posto, mentre GPT-6.1 Sol si inserisce tra i due. La piattaforma pubblica anche il suo primo indice di allineamento, le cui prime posizioni sono interamente appannaggio di OpenAI.
- Claude Opus 5.5 guida la classifica Agent Arena e domina in codice, chat e lavoro.
- Gemini 4 Argon, quarto, segna il progresso più forte del mese per Google.
- OpenAI occupa le prime cinque posizioni dell’indice di allineamento.
Disponibile dal 22 settembre e valutato in modalità Max, Claude Opus 5.5 supera tutti i modelli della classifica, incluso Claude Fable 5.1, fatturato due volte e mezzo di più tramite l’API, l’interfaccia che consente agli sviluppatori di integrare un modello nei propri strumenti. Con Gemini 4 Argon, quarto, Google realizza il progresso più significativo del mese: il suo miglior rappresentante, Gemini 3.6 Flash, era al 34° posto un mese fa. Claude Sonnet 5.5, sesto, e GPT-6 Sol, settimo, completano l’elenco dei nuovi ingressi.
I cinque modelli già presenti a settembre perdono tutti posizioni. GPT-6 Astra scende dal secondo al quinto posto, Claude Opus 5 dal terzo all’ottavo, Claude Fable 5 dal quinto al nono e GPT-5.6 Sol dal settimo al decimo. Claude Opus 4.8, Kimi K3, Claude Sonnet 5 e GPT-5.5 escono dalla top 10, dove Anthropic schiera ora cinque modelli, OpenAI quattro e Google uno. Per ogni modello, Arena pubblica un intervallo di posizione possibile, e quelle dei cinque inseguitori di Opus 5.5 includono tutte il primo posto. La classifica completa è consultabile sul sito di Arena.
Codice, chat, lavoro: Claude Opus 5.5 in testa nelle tre categorie
Arena suddivide la sua classifica in base al tipo di compito affidato all’agente. La categoria Codice raggruppa sviluppo, debug, automazione e analisi dei dati, mentre Chat copre usi più personali, dalla scrittura creativa alle ricerche quotidiane. Work riunisce i compiti d’ufficio, come la creazione di documenti o la redazione professionale. Claude Opus 5.5 arriva primo in tutte e tre.
In codice, Claude Sonnet 5.5 si distingue: terzo nella categoria, guadagna tre posizioni rispetto alla classifica generale, mentre Gemini 4 Argon esce dalla top 5. In chat, Gemini 4 Argon si issa al secondo posto, appena dietro Opus 5.5, e GPT-6.1 Sol, secondo in classifica generale, scende al quinto posto. L’intervallo di posizione di Opus 5.5 è qui più ampio che altrove, dal primo al dodicesimo posto. La categoria Work, che concentrava il 69% dei compiti al lancio delle categorie a metà agosto, riproduce fedelmente la top 5 della classifica generale.
Allineamento: OpenAI occupa le prime cinque posizioni
Dall’8 ottobre, Arena pubblica anche un indice di allineamento, che misura la frequenza di tre scostamenti nelle sessioni reali: l’azione non autorizzata, quando l’agente supera la richiesta dell’utente o i suoi permessi; la falsa attribuzione, quando attribuisce all’utente affermazioni o scelte contraddette dallo scambio; e il completamento ingannevole, quando annuncia un compito terminato quando non lo è.
Tra i 27 modelli valutati, i cinque meglio allineati sono GPT-6.1 Sol, GPT-6 Astra, GPT-6 Luna, GPT-6 Sol e GPT-5.6 Sol. Claude Opus 5.5, primo modello di Anthropic, arriva solo sesto, e Gemini 4 Argon undicesimo. Secondo Arena, un completamento ingannevole riguarda in media il 10% delle sessioni, e fino al 48% nel debug del codice.
Sessioni reali piuttosto che duelli alla cieca
A differenza delle altre classifiche di Arena, quella dedicata ai compiti agentici non si basa sul voto degli utenti tra due risposte anonime. Si basa sull’uso reale di Agent Mode, l’ambiente isolato in cui gli utenti affidano compiti completi a un agente dotato di strumenti. Ogni sessione è assegnata casualmente a uno dei modelli, il che permette, secondo la piattaforma, di misurare l’effetto specifico di ciascuno. Cinque segnali che compongono il punteggio globale sono pubblicati in dettaglio: i compiti confermati come riusciti dall’utente, la quota di reazioni positive alle lamentele, la considerazione delle correzioni, l’affidabilità dei comandi shell e le chiamate a strumenti assenti dall’ambiente.
Nella top 10, Claude Opus 5.5 è il più performante nella considerazione delle correzioni, Claude Sonnet 5.5 raccoglie il maggior numero di convalide e GPT-6.1 Sol mostra il miglior rapporto di reazioni positive.
