Agent Arena 评测：复杂任务上 Gemini 4 Argon 与 MiMo-V2.6 崛起

Arena.ai· @arena · X·2026-11-05 01:41· 1 小时前AI 评分58

AI 导读

Arena 发布 Agent Arena 评测观察，称任务越复杂时 GoogleDeepMind 和 Xiaomi MiMo 是最大赢家。便宜任务上 OpenAI 和 Anthropic 占据 11 个前沿席位中的 10 个，但在最贵 5% 会话中只占 7 个，空出的席位由 Gemini 4 Argon 和 MiMo-V2.6 Flash/Pro 补上。

正文 · 原文

随着任务变得更加复杂，@GoogleDeepMind 和 @XiaomiMiMo 成为 Agent Arena 中的最大赢家。

在较便宜的任务上，@OpenAI 和 @AnthropicAI 占据了 11 个前沿席位中的 10 个。而在最贵的 5% 会话中，它们仅占 7 个。空出的席位由 Google 的 Gemini 4 Argon 以及小米的 MiMo-V2.6 Flash 和 Pro 补上。

这些变化很重要，因为在 Agent Arena 的真实用例中，花费 100 美元或以上的会话并不罕见。仅在过去 2 周内，就有超过 1,000 个会话跨过了这一门槛，而选择次优模型可能对最终账单产生了显著影响。

引用Arena.ai@arena

Agent Arena 衡量复杂的真实世界任务。数据显示，这些长时程会话放大了前沿模型之间的差异。 Agent Arena 中的长时程任务跨越数百轮，从将代码库移植到 Rust、审计投资策略文档到编写数学教科书等等。在 Agent Arena 上比较 5 家领先实验室各自的最佳模型，可以发现它们在长时程任务上花费的时间相差 55 分钟。这些模型是： - @AnthropicAI 的 Claude Opus 5.5 - @GoogleDeepMind 的 Gemini 4 Carbon - @OpenAI 的 GPT-6 Astra - @AIatMeta 的 Muse Wonder Full - @Kimi_Moonshot 的 Kimi K3.1 Pro 在这一组中，Agent Arena 排名第一的 Claude Opus 5.5 在每种任务长度上耗时最长，峰值达 1 小时 51 分钟。相比之下，Kimi K3.1 Pro 在每种长度上花费的时间最少，长时程任务为 56 分钟。

在 X 查看被引用的帖子

来源：Arena.ai · x.com