Claude Opus 5.5 Max a pris la tête du classement agents d'Arena dès sa première apparition, dans la semaine 41 publiée par la plateforme le 12 octobre 2026 (période du 5 au 11 octobre). Son amélioration nette atteint 15,53 %, son taux de réussite confirmée des tâches 17,29 % et son taux d'hallucination d'outils 0,37 %. Mais plus que le rang, ce sont les valeurs absolues qui comptent : même le modèle agent le plus fort du moment n'affiche qu'un peu plus de 15 % d'amélioration nette sur des tâches réelles.
Derrière la première place, une chute raide
Le haut du classement agents est presque un monopole d'Anthropic : Claude Opus 5.5 (High) est deuxième avec 14,33 %, GPT 6 Astra (Max) d'OpenAI troisième avec 13,09 %, et Gemini 4 Argon (High) monte à la huitième place avec un taux d'hallucination d'outils de 0,18 %, le plus bas parmi les leaders. Les modèles chinois forment globalement un deuxième peloton : DeepSeek V4.1 Flash (Max) est 17e avec 3,80 % d'amélioration nette, Kimi K3 (Max) 18e avec 3,78 %, Hy4 preview de Tencent 19e, MiMo V2.6 Pro de Xiaomi 20e, et Qwen3.8 Max d'Alibaba 24e avec seulement 2,35 %. Entre la première place et le meilleur résultat chinois, l'écart est d'environ un facteur quatre.
Comment lire ce classement — et comment ne pas le lire
Les classements d'Arena reposent sur des votes anonymes en aveugle : le classement général utilise des scores ELO, celui des agents des signaux en pourcentage, et tous deux reflètent des préférences subjectives et des signaux d'achèvement de tâches, non un examen standardisé de capacité absolue. Les classements ne se comparent pas entre eux, les écarts dans la marge d'erreur valent égalité, et les nouveaux modèles doivent d'abord accumuler assez de votes. Comme thermomètre, la liste est utile : elle ne mesure pas si un modèle sait résoudre un problème donné, mais si des utilisateurs réels, après avoir confié des tâches en plusieurs étapes, acceptent d'en confirmer le résultat. L'article précédent de ce site sur une étude des équipes multi-agents donnait un avertissement semblable : empiler les agents fait grimper les coûts sans garantir la qualité.
Ce que cela signifie pour le choix d'un modèle
Pour les équipes qui choisissent un modèle pour des applications agentiques, l'usage de ce classement est clair : les écarts entre leaders se lisent avec leurs marges d'erreur, et un ou deux rangs ne justifient pas de remplacer toute la chaîne d'appels. Le retard des modèles chinois sur les tâches agentiques est réel ; les flux critiques qui dépendent d'appels d'outils fiables gagneront à être validés d'abord sur un faible trafic. Au classement général, gemini-4-argon-high mène avec 1 525 points et kimi-k3-max se classe 16e, meilleur résultat chinois — l'expérience globale et la capacité agentique sont déjà deux compétitions distinctes.
