7月の最も信頼性の高いAIエージェントは、今や平均的なものに過ぎない。
Agent Arenaを使うと、人々はエージェントに実際のタスクを委任し、その結果が自分のニーズに合っているかを確認する。これを「Confirmed Success」というシグナルと呼ぶ。
7月1日には、Claude Fable 5は他のすべてのモデルよりも大きくリードしており、トップ20の平均値がそれに追いつるのにわずか12週間しかかからなかった。
キミK3はわずか3週間で、タスクあたりのコストが89％削減して成功しました。DeepSeek V4.1 Flashは今、コストが96％削減して同等になりました。
一方、トップ5は今や94％のタスクを確定して完了しており、7月時点の80％から上昇した。Claude Opus 5.5、Claude Fable 5.1、GPT‑6.1 Solが主導している。
今日の指導者たちは長く権力の座に留まることはない。
トラックの成功が確認され、他のエージェントのシグナルはスレッド内のリンクでライブ表示されます。
