La Agent Arena clasifica la capacidad agente para resolver problemas en diferentes dominios.
Los laboratorios de EE. UU. lideran en todos los campos:
- Los modelos de @AnthropicAI ocupan la posición número 1 en Code, Work y Chat
- El GPT 6 Astra (Max) de @OpenAI sigue entre los cuatro primeros en todas las tres categorías: #2 en Code y #4 tanto en Work como en Chat
Los modelos principales siguen siendo fuertes en todas las categorías, pero su orden cambia:
- Claude Fable 5.1 (Max) lidera tanto Code como Work y ocupa el #2 en Chat
- Claude Sonnet 5.5 (Max) lidera Chat y ocupa el #4 en Code y el #5 en Work
El ranking de código y trabajo se mueve más estrechamente que el de chat:
- Por ejemplo, Gemini 4 Argon (Alto), ocupa el #14 en código y el #12 en trabajo, pero el #5 en chat, lo que destaca una fortaleza distintiva en las tareas de agente conversacional
El Agent Arena clasifica los modelos en base a la mejora neta general frente a la frontera actual, así como al rendimiento en categorías específicas de tareas agentes. Estas clasificaciones se basan en rastros en tiempo real recopilados de agentes que intentan resolver tareas del mundo real presentadas por personas de todo el mundo.
- Código: escritura y depuración de código, automatización de flujos de trabajo y análisis de datos
- Chat: escritura creativa, aprendizaje, preguntas personales, investigación cotidiana y generación de medios
- Trabajo: documentos, investigación profesional, planificación y escritura profesional
Este diagrama visual muestra cómo se comparan los modelos seleccionados entre las categorías de Agent Arena a fecha del 5 de octubre de 2026.
