Впервые за несколько месяцев Anthropic уступает лидерство в рейтинге Text Arena, который в реальном времени оценивает производительность моделей ИИ в таких задачах, как математика, программирование или творческое письмо. Gemini 4 Argon, развернутый Google для своих платных подписчиков, занимает первое место, опережая Muse Wonder от Meta, в то время как создатель Claude все же размещает шесть моделей в топ-10.
Представленный в начале октября и изначально доступный лишь горстке игроков в области кибербезопасности, Gemini 4 Argon явно покорил сообщество Arena — совместного бенчмарка, где пользователи выступают арбитрами в дуэлях между двумя анонимными моделями. Разработанная для длинных и сложных многоэтапных задач, самая продвинутая модель компании из Маунтин-Вью опережает Muse Wonder, который также заявляет о своей специализации в этой области.
20 самых производительных моделей
За лидирующей парой Anthropic занимает большую часть верхней части таблицы. Claude Opus 5.5 занимает третье место, опережая Claude Fable 5, версию «High» модели Claude Opus 4.6, Claude Fable 5.1, Claude Opus 4.7 и стандартную версию Claude Opus 4.6. Последняя сохраняет позицию в первой пятерке, несмотря на выпуск еще в феврале. Gemini 3.8 Flash и Muse Spark 1.3 завершают топ-10.
OpenAI, напротив, остается в стороне. Ее первая модель, GPT-5.6 Sol, появляется лишь на 21-м месте. За исключением Kimi K3 от Moonshot, занявшего 18-ю позицию, топ-20 состоит из моделей Meta, Google и Anthropic.
Лучшие модели по категориям
Arena также оценивает модели по более узким задачам, таким как веб-поиск, анализ изображений или анализ документов. В веб-поиске лидирует версия «xHigh» модели GPT-5.6 Sol, за ней следуют Qwen 3.8 Max и Claude Opus 4.6 Search. Из первых десяти мест в этой категории девять принадлежат Anthropic (пять мест) и OpenAI (четыре места).
В анализе изображений лидирует Claude Fable 5, за ней следуют Qwen 3.8 и Claude Opus 4.6. Anthropic размещает пять моделей в топ-10. В анализе документов лидирует Claude Opus 5, а Anthropic занимает первые семь мест. OpenAI дополняет топ-10 стандартной версией GPT-5.5, версией GPT-5.5 «High» и GPT-5.6 Sol.
Как работает рейтинг
За которым пристально следят ключевые игроки и наблюдатели в области ИИ, Arena опирается на голоса пользователей для ранжирования моделей. Запрос отправляется двум анонимным моделям, каждая из которых генерирует ответ, и пользователь выбирает наиболее релевантный. Каждая модель получает рейтинг Эло — своего рода коэффициент, который меняется в зависимости от результатов этих дуэлей.
Победа над более высокорейтинговым оппонентом приносит очки, тогда как поражение от менее рейтингового соперника приводит к их потере. Лидирующая модель может продолжать улучшать свой счет, но прогресс становится медленнее.
