Agent Arena 数据显示长程任务模型每小时成本最大相差 66%

Arena.ai· @arena · X·2026-11-05 01:49· 1 小时前AI 评分53

AI 导读

Agent Arena 统计近 14 天近 30000 个任务运行超过一小时，平均模型每小时发起 332 次工具调用。长程任务上模型选择最多可省 66% 成本：Gemini 4 Carbon 每小时任务中位成本 $10.51，Claude Opus 5.5 为 $21.13，GPT-6 Astra 为 $31.08。

正文 · 原文

过去 14 天里，Agent Arena 上有近 30000 个任务运行超过一小时。在这一小时内，平均每个模型发起了 332 次工具调用。

在这些长程任务中，选对模型最多可将成本降低 66%。

在 Agent Arena 中，一小时工作的每任务中位成本为：Gemini 4 Carbon 为 $10.51，@AnthropicAI 的 Claude Opus 5.5 为 $21.13，@OpenAI 的 GPT-6 Astra 为 $31.08。

这使得 @GoogleDeepmind 的 Gemini 4 Carbon 在一小时任务上比 Opus 便宜 50%，比 Astra 便宜 66%。

对于长时间运行的任务，权衡成本与能力变得至关重要：Claude Opus 5.5 得分仍然更高，但每小时工作的成本是前者的两倍。

引用Arena.ai@arena

Agent Arena 衡量复杂的真实世界任务。数据显示，这些长程会话放大了前沿模型之间的差异。 Agent Arena 中的长程任务跨越数百个回合，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。对比 Agent Arena 上 5 家领先实验室各自的最强模型，可以发现它们在长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都最长，峰值达 1 小时 51 分钟。相比之下，Kimi K3.1 Pro 在每种长度上耗时都最少，长程任务为 56 分钟。

在 X 查看被引用的帖子

来源：Arena.ai · x.com