Agent Arenaが長い作業の所要時間を比較、主要5モデルで最大55分の差
日本語参考要約訳
Agent Arenaは複雑な実世界の作業を測定します。データは、こうした長期にわたるセッションが最先端モデル間の違いを大きくすることを示しています。 長期タスクは数百ターンに及び、コードベースのRustへの移植、投資戦略文書の点検、数学の教科書執筆などがあります。 主要5社それぞれの上位モデルを比較すると、長期タスクに費やす時間には55分の差があります。対象はAnthropicのClaude Opus 5.5、Google DeepMindのGemini 4 Carbon、OpenAIのGPT-6 Astra、MetaのMuse Wonder Full、MoonshotのKimi K3.1 Proです。 この組では、Agent Arenaで1位のClaude Opus 5.5がどのタスク長でも最も時間をかけ、最長で1時間51分となります。対してKimi K3.1 Proはどの長さでも最も短く、長期タスクでは56分です。
※長文投稿のため、参考訳は概要を最大600字まで表示しています。 元投稿をご参照ください
AINNでは投稿本文・投稿者本人の追記・第三者コメントの全文転載を避け、X公式埋め込みと元投稿への導線を中心に表示します。
AIによる見どころ整理
何について
Arena.aiが、数百回のやり取りに及ぶ実際のエージェント作業について、主要5社の上位モデルの所要時間を比較した。対象はClaude Opus 5.5、Gemini 4 Carbon、GPT-6 Astra、Muse Wonder Full、Kimi K3.1 Pro。公式投稿によると、長い作業ではOpus 5.5が1時間51分、Kimi K3.1 Proが56分で、55分の差があった。Rustへのコード移植、投資戦略文書の点検、数学教科書の執筆などが例に挙がる。これは実利用セッションの分析であり、同じ問題を同じ条件で解かせた速度競争とは限らない。短時間だから同じ品質で完了した、長時間だから劣る、という結論にはせず、成果の評価と待ち時間を分けて読む必要がある。
なぜ注目
短い質問の応答速度だけでは見えない、長時間のエージェント作業での違いを運営元が示した。モデル選びでは時間と成果の両方を見る材料になる。
🔰 初学者向け要約
長い仕事をAIへ任せると、待ち時間にもモデルごとの違いが表れる。今回の分析では最大55分の差があったが、速さだけで仕事の出来や成功率までは決められない。
用語を調べる
公開記事とWeb上の出典をもとに、Geminiが短く説明します。1日5回まで利用できます。