Agent Arena 数据：长时任务成本差异达 66%
Arena.ai 发布 Agent Arena 最新基准数据，显示在持续超过一小时的复杂智能体任务中，不同前沿模型的成本差异显著。Gemini 4 Carbon 以每小时 10.51 美元的中位成本成为最具性价比选择，比 Claude Opus 5.5 便宜 50%，比 GPT-6 Astra 便宜 66%。尽管 Claude Opus 5.5 在能力评分上领先，但其高昂的时间与金钱成本迫使开发者在长周期任务中重新权衡性能与预算。
报道正文
Arena.ai (@arena) · 2026-11-04 17
过去 14 天内，Agent Arena 上近 30,000 个任务运行时长超过一小时。在这一小时内，模型平均执行了 332 次工具调用。
在这些长周期（long-horizon）任务中，选择合适的模型可将成本降低高达 66%。
在 Agent Arena 中，运行一小时的中间值成本为：使用 Gemini 4 Carbon 每个任务花费 $10.51，使用 @AnthropicAI 的 Claude Opus 5.5 花费 $21.13，使用 @OpenAI 的 GPT-6 Astra 花费 $31.08。
这意味着对于长达一小时的任务，@GoogleDeepMind 的 Gemini 4 Carbon 比 Opus 便宜 50%，比 Astra 便宜 66%。
对于长时间运行的作业，权衡成本与能力变得至关重要：Claude Opus 5.5 仍然得分更高，但每小时工作的成本是其两倍。
↳ 引用 @arena (Arena.ai): Agent Arena 衡量的是复杂的现实世界任务。数据显示，这些长周期会话放大了前沿模型之间的差异。
Agent Arena 中的长周期任务涵盖数百轮交互，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。
对比 Agent Arena 上五大领先实验室各自的顶级模型，发现它们在长周期任务上的耗时存在 55 分钟的差距。涉及的模型包括：
- @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
在这组模型中，位列 Agent Arena 第一的 Claude Opus 5.5 在各种任务长度下均耗时最长，峰值达到 1 小时 51 分钟。相比之下，Kimi K3.1 Pro 在各种任务长度下耗时最短，在长周期任务上仅用 56 分钟。
