Claude Opus 5.5 obejmuje prowadzenie w rankingu Agent Arena, który porównuje modele językowe (systemy generujące tekst) pod kątem ich zdolności do sterowania agentem autonomicznym, czyli systemem samodzielnie wykonującym ciąg zadań na podstawie instrukcji. Spycha on Claude Fable 5.1, lidera z września, na trzecie miejsce, podczas gdy GPT-6.1 Sol zajmuje pozycję między nimi. Platforma publikuje również swój pierwszy indeks zgodności (alignment), którego czołówka należy w całości do OpenAI.
Dostępny od 22 września i oceniany w trybie Max, Claude Opus 5.5 wyprzedza wszystkie modele w rankingu, w tym Claude Fable 5.1, który przez API (interfejs dla deweloperów) kosztuje dwa i pół raza więcej. Z Gemini 4 Argon na czwartym miejscu, Google odnotowuje największy awans miesiąca: jego najlepszy przedstawiciel, Gemini 3.6 Flash, znajdował się na 34. pozycji miesiąc temu. Claude Sonnet 5.5 (szósty) i GPT-6 Sol (siódmy) uzupełniają listę nowych uczestników.
Wszystkie pięć modeli obecnych już we wrześniu spadło w rankingu. GPT-6 Astra przesunął się z drugiego na piąte miejsce, Claude Opus 5 z trzeciego na ósme, Claude Fable 5 z piątego na dziewiąte, a GPT-5.6 Sol z siódmego na dziesiąte. Claude Opus 4.8, Kimi K3, Claude Sonnet 5 i GPT-5.5 wypadły z pierwszej dziesiątki, w której Anthropic ma teraz pięć modeli, OpenAI cztery, a Google jeden. Dla każdego modelu Arena publikuje zakres możliwej pozycji, a zakresy dla pięciu najbliższych konkurentów Opus 5.5 wszystkie obejmują pierwsze miejsce. Pełny ranking można sprawdzić na stronie Areny.
Kod, czat, praca: Claude Opus 5.5 na czele wszystkich trzech kategorii
Arena przedstawia swój ranking według typu zadania powierzonego agentowi. Kategoria Code obejmuje rozwój, debugowanie, automatyzację i analizę danych, podczas gdy Chat dotyczy bardziej osobistych zastosowań, od twórczego pisania po codzienne poszukiwania. Work skupia zadania biurowe, takie jak tworzenie dokumentów czy profesjonalne pisanie. Claude Opus 5.5 zajmuje pierwsze miejsce we wszystkich trzech.
W kategorii Code wyróżnia się Claude Sonnet 5.5: będąc trzecim w tej kategorii, awansuje o trzy pozycje w porównaniu z rankingiem ogólnym, podczas gdy Gemini 4 Argon wypada z pierwszej piątki. W kategorii Chat Gemini 4 Argon wspina się na drugie miejsce, tuż za Opus 5.5, a GPT-6.1 Sol, drugi w rankingu ogólnym, spada na piątą pozycję. Zakres pozycji Opus 5.5 jest tu również szerszy niż gdzie indziej, od pierwszej do dwunastej. Kategoria Work, która skupiała 69% zadań przy uruchomieniu kategorii w połowie sierpnia, odtwarza dokładnie pierwszą piątkę rankingu ogólnego.
Zgodność (Alignment): OpenAI zajmuje pięć pierwszych miejsc
Od 8 października Arena publikuje również indeks zgodności (alignment), który mierzy częstotliwość trzech odstępstw w rzeczywistych sesjach: działania nieautoryzowanego, gdy agent przekracza żądanie użytkownika lub jego uprawnienia; fałszywego przypisania, gdy przypisuje użytkownikowi wypowiedzi lub wybory, którym zaprzeczają przebieg rozmowy; oraz oszukańczego zakończenia, gdy ogłasza zadanie jako zakończone, choć nim nie jest.
Spośród 27 ocenianych modeli, pięć najlepiej dopasowanych to GPT-6.1 Sol, GPT-6 Astra, GPT-6 Luna, GPT-6 Sol i GPT-5.6 Sol. Claude Opus 5.5, najlepszy model Anthropica, plasuje się dopiero na szóstym miejscu, a Gemini 4 Argon na jedenastym. Według Areny oszukańcze zakończenie dotyka średnio 10% sesji, a w debugowaniu kodu nawet 48%.
Rzeczywiste sesje zamiast ślepych pojedynków
W przeciwieństwie do innych rankingów Areny, ten poświęcony zadaniom agentowym nie polega na głosowaniu internautów między dwiema anonimowymi odpowiedziami. Opiera się na rzeczywistym użyciu Agent Mode, izolowanego środowiska, w którym użytkownicy powierzają kompleksowe zadania wyposażonemu agentowi. Każda sesja jest losowo przypisywana do jednego z modeli, co pozwala, według platformy, zmierzyć własny efekt każdego z nich. Pięć sygnałów składających się na ogólny wynik jest publikowanych szczegółowo: zadania potwierdzone przez użytkownika jako udane, odsetek pozytywnych reakcji na skargi, uwzględnianie poprawek, niezawodność poleceń shell oraz wywołania narzędzi nieobecnych w środowisku.
W pierwszej dziesiątce Claude Opus 5.5 jest najbardziej efektywny w uwzględnianiu poprawek, Claude Sonnet 5.5 zbiera najwięcej zatwierdzeń, a GPT-6.1 Sol ma najlepszy wskaźnik pozytywnych reakcji.
