Agent Arena 数据：头部模型长任务耗时差距达 55 分钟

Agent Arena 公布长任务评测数据，任务覆盖数百轮对话，包括移植代码库到 Rust、审计投资策略文档、编写数学教材等。对比 5 家头部实验室的旗舰模型发现，长任务耗时差距达 55 分钟。Claude Opus 5.5 排名第一，单任务耗时最长峰值达 1 小时 51 分钟；Kimi K3.1 Pro 耗时最短，长任务仅 56 分钟。其余对比模型包括 Gemini 4 Carbon、GPT-6 Astra 和 Muse Wonder Full。