Agent Arena 数据：长任务中模型选择可使成本相差最高 66%

Agent Arena 统计过去 14 天内近 30000 个运行超过 1 小时的任务，模型在这些任务中平均进行 332 次工具调用。同样完成 1 小时工作，Gemini 4 Carbon 花费中位数为 10.51 美元，Claude Opus 5.5 为 21.13 美元，GPT-6 Astra 为 31.08 美元。在 5 家头部实验室的旗舰模型对比中，Claude Opus 5.5 排名 Arena 第一但耗时最长，长任务最高达 1 小时 51 分钟；Kimi K3.1 Pro 耗时最短，仅 56 分钟。数据显示长任务会放大模型之间的成本与速度差异，模型选型最高可节省 66% 成本。