Claude Opus 5.5 neemt de leiding in de Agent Arena, de ranglijst die taalmodellen (de systemen die tekst genereren) beoordeelt op hun vermogen om een autonome agent aan te sturen, dat wil zeggen een systeem dat zelfstandig taken uitvoert op basis van een instructie. Het verdringt Claude Fable 5.1, die in september nog eerste stond, naar de derde plaats, met GPT-6.1 Sol ertussenin. Het platform publiceert ook zijn eerste ‘alignment index’, waarvan de top volledig wordt ingenomen door OpenAI.
- Claude Opus 5.5 staat op de eerste plaats in de Agent Arena en in alle drie de categorieën.
- Google boekt de grootste vooruitgang, want Gemini 4 Argon komt op de vierde plaats.
- OpenAI bezet de eerste vijf plaatsen van de nieuwe alignment index.
- De ranglijst is gebaseerd op echte sessies in Agent Mode, niet op stemmen van gebruikers.
Beschikbaar sinds 22 september en geëvalueerd in de Max-modus, overtreft Claude Opus 5.5 alle modellen op de ranglijst, inclusief Claude Fable 5.1, dat via de API (de interface waarmee ontwikkelaars een model in hun tools integreren) tweeënhalf keer duurder is. Met Gemini 4 Argon op de vierde plaats, realiseert Google de grootste vooruitgang van de maand: hun beste vertegenwoordiger, Gemini 3.6 Flash, stond een maand geleden nog op de 34e plaats. Claude Sonnet 5.5 (zesde) en GPT-6 Sol (zevende) completeren de lijst van nieuwkomers.
De vijf modellen die al in september aanwezig waren, dalen allemaal. GPT-6 Astra gaat van de tweede naar de vijfde plaats, Claude Opus 5 van de derde naar de achtste, Claude Fable 5 van de vijfde naar de negende, en GPT-5.6 Sol van de zevende naar de tiende. Claude Opus 4.8, Kimi K3, Claude Sonnet 5 en GPT-5.5 vallen uit de top 10, waar Anthropic nu vijf modellen heeft, OpenAI vier en Google één. Voor elk model publiceert Arena een mogelijke rangschikkingsmarge, en die van de vijf opvolgers van Opus 5.5 omvatten allemaal de eerste plaats. De volledige ranglijst is te raadplegen op de website van Arena.
Code, chat, werk: Claude Opus 5.5 aan de leiding in alle drie de categorieën
Arena splitst zijn ranglijst op volgens het type taak dat aan de agent wordt toevertrouwd. De categorie Code omvat ontwikkeling, debugging, automatisering en data-analyse, terwijl Chat meer persoonlijk gebruik dekt, van creatief schrijven tot dagelijkse zoekopdrachten. Work verzamelt kantoorwerk, zoals het maken van documenten of professioneel schrijven. Claude Opus 5.5 eindigt als eerste in alle drie.
Bij code springt Claude Sonnet 5.5 eruit: als derde in de categorie stijgt het drie plaatsen ten opzichte van de algemene ranglijst, terwijl Gemini 4 Argon uit de top 5 valt. Bij chat klimt Gemini 4 Argon naar de tweede plaats, net achter Opus 5.5, en GPT-6.1 Sol, tweede in de algemene ranglijst, zakt naar de vijfde plaats. De rangschikkingsmarge van Opus 5.5 is hier ook breder dan elders, van de eerste tot de twaalfde plaats. De categorie Work, die bij de lancering van de categorieën half augustus 69% van de taken omvatte, weerspiegelt exact de top 5 van de algemene ranglijst.
Alignment: OpenAI bezet de eerste vijf plaatsen
Sinds 8 oktober publiceert Arena ook een ‘alignment index’, die de frequentie meet van drie afwijkingen in echte sessies: de ongeautoriseerde actie, wanneer de agent verder gaat dan de vraag of de rechten van de gebruiker; de valse toeschrijving, wanneer het de gebruiker uitspraken of keuzes toedicht die door de interactie worden tegengesproken; en de misleidende voltooiing, wanneer het een taak als afgerond meldt terwijl dat niet het geval is.
Van de 27 geëvalueerde modellen zijn de vijf best uitgelijnde GPT-6.1 Sol, GPT-6 Astra, GPT-6 Luna, GPT-6 Sol en GPT-5.6 Sol. Claude Opus 5.5, het eerste model van Anthropic, komt pas op de zesde plaats, en Gemini 4 Argon op de elfde. Volgens Arena treft een misleidende voltooiing gemiddeld 10% van de sessies, en oplopend tot 48% bij code-debugging.
Echte sessies in plaats van blinde duels
In tegenstelling tot andere Arena-ranglijsten, is die gewijd aan agentische taken niet gebaseerd op stemmen van internetgebruikers tussen twee anonieme antwoorden. Het steunt op het daadwerkelijke gebruik van Agent Mode, de geïsoleerde omgeving waar gebruikers complete taken toevertrouwen aan een uitgeruste agent. Elke sessie wordt willekeurig toegewezen aan een van de modellen, wat volgens het platform het mogelijk maakt het eigen effect van elk te meten. Vijf signalen die de totale score vormen, worden in detail gepubliceerd: de taken die door de gebruiker als geslaagd worden bevestigd, het aandeel positieve reacties op klachten, het opvolgen van correcties, de betrouwbaarheid van shell-commando’s en het aanroepen van tools die niet in de omgeving aanwezig zijn.
In de top 10 is Claude Opus 5.5 het meest effectief in het opvolgen van correcties, Claude Sonnet 5.5 krijgt de meeste bevestigingen, en GPT-6.1 Sol heeft de beste ratio van positieve reacties.
