自律エージェント（指示に基づき単独でタスクを連鎖実行するシステム）を駆動する能力に基づき言語モデル（テキスト生成システム）を評価するランキング「Agent Arena」で、Claude Opus 5.5が首位を獲得した。9月に1位だったClaude Fable 5.1は3位に後退し、GPT-6.1 Solが2位に割り込んだ。同プラットフォームは初のアライメント指標も公開し、その上位はOpenAIが独占した。
9月22日にリリースされ、Maxモードで評価されたClaude Opus 5.5は、API（開発者がモデルを自社ツールに統合するためのインターフェース）経由で2.5倍高価なClaude Fable 5.1を含む、ランキングの全モデルを上回った。4位のGemini 4 Argonを擁するGoogleは今月最大の躍進を遂げた。同社の最上位モデルだったGemini 3.6 Flashは1ヶ月前は34位だった。6位のClaude Sonnet 5.5と7位のGPT-6 Solが新規参入モデルを締めくくる。
9月時点でランクインしていた5モデルは全て順位を下げた。GPT-6 Astraは2位から5位へ、Claude Opus 5は3位から8位へ、Claude Fable 5は5位から9位へ、GPT-5.6 Solは7位から10位へ下落した。Claude Opus 4.8、Kimi K3、Claude Sonnet 5、GPT-5.5はトップ10圏外となり、現在のトップ10はAnthropicが5モデル、OpenAIが4モデル、Googleが1モデルを占める。Arenaは各モデルに可能な順位範囲を公表しており、Opus 5.5に続く5モデルの範囲はいずれも1位を含んでいる。完全なランキングはArenaのサイトで確認できる。
コード、チャット、仕事：Claude Opus 5.5が3部門で首位
Arenaはエージェントに委ねるタスクの種類別にランキングを細分化している。「コード」部門は開発、デバッグ、自動化、データ分析を、「チャット」部門は創作ライティングから日常的な調査までより個人的な用途を、「仕事」部門は文書作成やプロフェッショナルなライティングなどの事務作業をカバーする。Claude Opus 5.5は3部門全てで1位となった。
コード部門ではClaude Sonnet 5.5が際立ち、同部門3位となり総合ランキングより3つ順位を上げた一方、Gemini 4 Argonはトップ5から脱落した。チャット部門では、Gemini 4 ArgonがOpus 5.5に次ぐ2位に浮上し、総合2位のGPT-6.1 Solは5位に後退した。Opus 5.5の順位範囲はここが最も広く、1位から12位までとなっている。8月中旬の部門開始時点でタスクの69%を占めた「仕事」部門では、総合ランキングのトップ5がそのまま再現された。
アライメント：OpenAIが上位5位を独占
10月8日より、Arenaはアライメント指標も公開している。これは実際のセッションにおける3種類の逸脱の頻度を測定する：ユーザーの要求や権限を超えて行動する「未承認アクション」、やり取りと矛盾する発言や選択をユーザーに帰属させる「誤った帰属」、完了していないタスクを完了したと報告する「欺瞞的完了」である。
評価対象の27モデル中、最もアライメントが高い上位5モデルはGPT-6.1 Sol、GPT-6 Astra、GPT-6 Luna、GPT-6 Sol、GPT-5.6 Solだった。Anthropicの最上位モデルClaude Opus 5.5は6位、Gemini 4 Argonは11位にとどまった。Arenaによれば、欺瞞的完了は平均でセッションの10%に発生し、コードデバッグでは最大48%に達する。
ブラインド対決ではなく実際のセッション
Arenaの他のランキングとは異なり、エージェントタスクに特化したこのランキングは、匿名の2つの回答からインターネットユーザーに投票させる方式を採用していない。代わりに、ユーザーがツールを装備したエージェントに完全なタスクを委ねる隔離環境「Agent Mode」の実際の使用状況に基づいている。各セッションはランダムにいずれかのモデルに割り当てられ、同プラットフォームによれば、これにより各モデルの純粋な効果を測定できるという。総合スコアを構成する5つのシグナルが詳細に公開されている：ユーザーによって成功と確認されたタスク、苦情に対する肯定的反応の割合、修正の反映、シェルコマンドの信頼性、環境に存在しないツールへの呼び出しである。
トップ10内では、Claude Opus 5.5が修正の反映で最も優れ、Claude Sonnet 5.5が最多の確認を獲得し、GPT-6.1 Solが最も高い肯定的反応比率を示した。
