Agent Arena公布前沿模型长任务耗时与成本对比

2026年11月5日，Arena.ai（@arena）在X上公布Agent Arena长周期任务数据，称长任务会放大前沿模型差异：五大实验室各自最强模型在长任务上的耗时相差55分钟。该帖称，排名第一的Claude Opus 5.5在每个任务长度上耗时最长，峰值达1小时51分钟；Kimi K3.1 Pro最短，长任务仅56分钟。此类任务跨度数百轮，涵盖将代码库移植到Rust、审计投资策略文档、编写数学教材等。报道未列出其余模型（Gemini 4 Carbon、GPT-6 Astra、Muse Wonder Full）的具体耗时，也未说明排名依据与统计口径。 同日后续帖文补充：任务越复杂，Google DeepMind与小米MiMo优势越明显；便宜任务上OpenAI与Anthropic占据11个前沿席位中的10个，但在最贵的5%会话中仅占7个，空位由Gemini 4 Argon和小米MiMo-V2.6 Flash、Pro补上，并称近两周有超1000个会话跨过该界限。另一帖称过去14天近3万个任务运行超一小时，平均每个模型发起332次工具调用，长任务中选对模型最多可省66%成本；按每小时工作中位数计，Gemini 4 Carbon为10.51美元、Claude Opus 5.5为21.13美元、GPT-6 Astra为31.08美元，并称Claude Opus 5.5得分更高但每小时成本翻倍。以上均为Arena.ai单方公布的数据。

AI 根据报道生成 · 1 小时前更新

1. 11月5日 01:49 · 1 篇报道
   Agent Arena公布长任务模型成本对比
   Arena.ai：Agent Arena 长任务模型成本对比：Gemini 4 Carbon 最便宜
2. 11月5日 01:30 · 2 篇报道
   Agent Arena公布前沿模型长任务耗时对比
   Arena.ai：Agent Arena 长任务揭示前沿模型耗时差达55分钟

还没有足够的连续观测数据，暂不绘制趋势。