Claude Opus 5.5 assume a liderança da Agent Arena, o ranking que distingue os modelos de linguagem (os sistemas que geram texto) de acordo com a sua capacidade para pilotar um agente autónomo, ou seja, um sistema que executa sozinho uma sequência de tarefas a partir de uma instrução. Relega Claude Fable 5.1, líder em setembro, para o terceiro lugar, com GPT-6.1 Sol a intercalar-se entre os dois. A plataforma publica também o seu primeiro índice de alinhamento, cujo topo do pódio pertence integralmente à OpenAI.
Disponível desde 22 de setembro e avaliado no modo Max, Claude Opus 5.5 supera todos os modelos do ranking, incluindo Claude Fable 5.1, que é cobrado duas vezes e meia mais caro através da API, a interface que permite aos programadores integrar um modelo nas suas ferramentas. Com Gemini 4 Argon, em quarto lugar, a Google regista o maior progresso do mês: o seu melhor representante, Gemini 3.6 Flash, estava na 34.ª posição há um mês. Claude Sonnet 5.5, em sexto, e GPT-6 Sol, em sétimo, completam a lista dos novos participantes.
Os cinco modelos já presentes em setembro recuam todos. GPT-6 Astra passa do segundo para o quinto lugar, Claude Opus 5 do terceiro para o oitavo, Claude Fable 5 do quinto para o nono, e GPT-5.6 Sol do sétimo para o décimo. Claude Opus 4.8, Kimi K3, Claude Sonnet 5 e GPT-5.5 saem do top 10, onde a Anthropic alinha agora cinco modelos, a OpenAI quatro e a Google um. Para cada modelo, a Arena publica uma faixa de classificação possível, e as dos cinco perseguidores de Opus 5.5 incluem todas o primeiro lugar. O ranking completo está disponível no site da Arena.
Código, chat, trabalho: Claude Opus 5.5 lidera as três categorias
A Arena desdobra o seu ranking de acordo com o tipo de tarefa confiada ao agente. A categoria Código agrupa o desenvolvimento, a depuração, a automatização e a análise de dados, enquanto Chat abrange utilizações mais pessoais, desde a escrita criativa às pesquisas do dia a dia. Work reúne as tarefas de escritório, como a criação de documentos ou a redação profissional. Claude Opus 5.5 chega em primeiro nas três.
Em código, Claude Sonnet 5.5 destaca-se: terceiro na categoria, sobe três lugares em relação ao ranking geral, enquanto Gemini 4 Argon sai do top 5. Em chat, Gemini 4 Argon eleva-se ao segundo lugar, logo atrás de Opus 5.5, e GPT-6.1 Sol, segundo no ranking geral, cai para o quinto lugar. A faixa de classificação de Opus 5.5 é também mais ampla aqui do que noutras categorias, do primeiro ao décimo segundo lugar. A categoria Work, que concentrava 69% das tarefas no lançamento das categorias em meados de agosto, reproduz de forma idêntica o top 5 do ranking geral.
Alinhamento: a OpenAI ocupa os cinco primeiros lugares
Desde 8 de outubro, a Arena publica também um índice de alinhamento, que mede a frequência de três desvios nas sessões reais: a ação não autorizada, quando o agente excede o pedido do utilizador ou as suas permissões; a falsa atribuição, quando atribui ao utilizador afirmações ou escolhas que os diálogos contradizem; e a conclusão enganosa, quando anuncia uma tarefa concluída quando não está.
Dos 27 modelos avaliados, os cinco mais bem alinhados são GPT-6.1 Sol, GPT-6 Astra, GPT-6 Luna, GPT-6 Sol e GPT-5.6 Sol. Claude Opus 5.5, o primeiro modelo da Anthropic, aparece apenas em sexto, e Gemini 4 Argon em décimo primeiro. Segundo a Arena, uma conclusão enganosa afeta em média 10% das sessões, e até 48% na depuração de código.
Sessões reais em vez de duelos às cegas
Ao contrário de outros rankings da Arena, o dedicado às tarefas agentivas não faz votar os internautas entre duas respostas anónimas. Baseia-se na utilização real do Agent Mode, o ambiente isolado onde os utilizadores confiam tarefas completas a um agente equipado. Cada sessão é atribuída aleatoriamente a um dos modelos, o que permite, segundo a plataforma, medir o efeito próprio de cada um. Cinco sinais que compõem a pontuação global são publicados em detalhe: as tarefas confirmadas como bem-sucedidas pelo utilizador, a proporção de reações positivas face a queixas, a consideração das correções, a fiabilidade dos comandos shell e as chamadas a ferramentas ausentes do ambiente.
No top 10, Claude Opus 5.5 é o mais eficaz na consideração das correções, Claude Sonnet 5.5 recolhe o maior número de validações, e GPT-6.1 Sol exibe o melhor rácio de reações positivas.
