Claude Opus 5.5 prend la tête de l’Agent Arena, le classement qui départage les modèles de langage (les systèmes qui génèrent du texte) selon leur capacité à piloter un agent autonome, c’est-à-dire un système qui enchaîne seul des tâches à partir d’une consigne. Il relègue Claude Fable 5.1, premier en septembre, au troisième rang, GPT-6.1 Sol s’intercalant entre les deux. La plateforme publie également son premier indice d’alignement, dont le haut du tableau revient entièrement à OpenAI.
- Claude Opus 5.5 prend la tête de l’Agent Arena.
- Il devance Claude Fable 5.1 et GPT-6.1 Sol, qui suivent au classement général.
- Google progresse le plus, avec Gemini 4 Argon à la quatrième place.
- OpenAI occupe les cinq premières places de l’indice d’alignement, où Claude Opus 5.5 n’arrive que sixième.
Disponible depuis le 22 septembre et évalué en mode Max, Claude Opus 5.5 devance l’ensemble des modèles du classement, y compris Claude Fable 5.1, facturé deux fois et demie plus cher via l’API, l’interface qui permet aux développeurs d’intégrer un modèle dans leurs outils. Avec Gemini 4 Argon, quatrième, Google réalise la plus forte progression du mois : son meilleur représentant, Gemini 3.6 Flash, pointait au 34e rang il y a un mois. Claude Sonnet 5.5, sixième, et GPT-6 Sol, septième, complètent la liste des nouveaux entrants.
Les cinq modèles déjà présents en septembre reculent tous. GPT-6 Astra passe de la deuxième à la cinquième place, Claude Opus 5 de la troisième à la huitième, Claude Fable 5 de la cinquième à la neuvième, et GPT-5.6 Sol de la septième à la dixième. Claude Opus 4.8, Kimi K3, Claude Sonnet 5 et GPT-5.5 sortent du top 10, où Anthropic aligne désormais cinq modèles, OpenAI quatre et Google un. Pour chaque modèle, Arena publie une fourchette de rang possible, et celles des cinq poursuivants d’Opus 5.5 incluent toutes la première place. Le classement complet est consultable sur le site d’Arena.
Code, chat, travail : Claude Opus 5.5 en tête des trois catégories
Arena décline son classement selon le type de tâche confiée à l’agent. La catégorie Code regroupe le développement, le débogage, l’automatisation et l’analyse de données, tandis que Chat couvre des usages plus personnels, de l’écriture créative aux recherches du quotidien. Work rassemble les tâches de bureau, comme la création de documents ou la rédaction professionnelle. Claude Opus 5.5 arrive premier dans les trois.
En code, Claude Sonnet 5.5 se distingue : troisième de la catégorie, il gagne trois places par rapport au classement général, tandis que Gemini 4 Argon sort du top 5. En chat, Gemini 4 Argon se hisse au deuxième rang, juste derrière Opus 5.5, et GPT-6.1 Sol, deuxième du classement général, tombe à la cinquième place. La fourchette de rang d’Opus 5.5 y est aussi plus large qu’ailleurs, de la première à la douzième place. La catégorie Work, qui concentrait 69 % des tâches lors du lancement des catégories mi-août, reproduit à l’identique le top 5 du classement général.
Alignement : OpenAI occupe les cinq premières places
Depuis le 8 octobre, Arena publie aussi un indice d’alignement, qui mesure la fréquence de trois écarts dans les sessions réelles : l’action non autorisée, lorsque l’agent dépasse la demande de l’utilisateur ou ses permissions ; la fausse attribution, lorsqu’il prête à l’utilisateur des propos ou des choix que les échanges contredisent ; et la complétion trompeuse, lorsqu’il annonce une tâche terminée alors qu’elle ne l’est pas.
Sur les 27 modèles évalués, les cinq mieux alignés sont GPT-6.1 Sol, GPT-6 Astra, GPT-6 Luna, GPT-6 Sol et GPT-5.6 Sol. Claude Opus 5.5, premier modèle d’Anthropic, n’arrive que sixième, et Gemini 4 Argon onzième. Selon Arena, une complétion trompeuse touche en moyenne 10 % des sessions, et jusqu’à 48 % en débogage de code.
Des sessions réelles plutôt que des duels à l’aveugle
Contrairement aux autres classements d’Arena, celui consacré aux tâches agentiques ne fait pas voter les internautes entre deux réponses anonymes. Il s’appuie sur l’usage réel d’Agent Mode, l’environnement isolé où les utilisateurs confient des tâches complètes à un agent outillé. Chaque session est attribuée au hasard à l’un des modèles, ce qui permet, selon la plateforme, de mesurer l’effet propre de chacun. Cinq signaux composant le score global sont publiés en détail : les tâches confirmées comme réussies par l’utilisateur, la part de réactions positives face aux plaintes, la prise en compte des corrections, la fiabilité des commandes shell et les appels à des outils absents de l’environnement.
Dans le top 10, Claude Opus 5.5 est le plus performant sur la prise en compte des corrections, Claude Sonnet 5.5 recueille le plus de validations, et GPT-6.1 Sol affiche le meilleur ratio de réactions positives.
