Claude Opus 5.5 Max は、Arena プラットフォームが2026年10月12日に発表した第41週ランキング（対象期間は10月5日から11日）で、エージェントランキングに初登場ながら首位に立った。純改善率は15.53%、タスク確認成功率は17.29%、ツール幻覚率は0.37%だった。しかし順位よりも見るべきなのは、これらの数字の絶対値である。現時点で最強のエージェントモデルでも、実タスクでの純改善率は15%をわずかに上回る程度にとどまる。
首位の後ろに広がる、急な落差
エージェントランキングの上位は Anthropic がほぼ独占している。Claude Opus 5.5（High）が14.33%で2位、OpenAI の GPT 6 Astra（Max）が13.09%で3位、Gemini 4 Argon（High）は8位に上がり、ツール幻覚率0.18%は上位陣で最も低い。中国モデルは全体として第2グループに位置する。DeepSeek V4.1 Flash（Max）が17位で純改善率3.80%、Kimi K3（Max）が18位で3.78%、Tencent の Hy4 preview が19位、Xiaomi の MiMo V2.6 Pro が20位、Alibaba の Qwen3.8 Max は24位でわずか2.35%だった。首位と中国モデルの最良成績の間には、約4倍の開きがある。
このランキングの読み方、読んではいけない読み方
Arena の順位は匿名のブラインドテスト投票に基づく。総合ランキングは ELO スコア、エージェントランキングは百分率シグナルを用い、標準化された絶対能力試験ではなく、利用者の主観的嗜好とタスク完了シグナルを反映している。異なるランキング同士を直接比べることはできず、誤差範囲内の差は同順位として扱うべきであり、新モデルは十分な票数を集めて初めて正式にランキング入りする。温度計として使うなら有用だ。測っているのは、あるモデルが特定の問題を解けるかではなく、複数ステップのタスクを任せた実利用者が結果を確認しようと思うかどうかである。本サイトが先に報じたマルチエージェントチームの実測も同様の注意を促していた。エージェントの数を積み増しても、コストの上昇に見合う品質向上が得られるとは限らない。
モデルを選ぶチームにとっての意味
エージェント応用向けにモデルを選んでいるチームにとって、今週のランキングの使い方は明確だ。上位モデル同士の差は誤差範囲と一緒に読むべきで、1つや2つの順位のために呼び出し基盤全体を入れ替える理由にはならない。中国モデルのエージェントタスクでの差は実在するため、ツール呼び出しの信頼性が要となる中核フローは、まず少量のトラフィックで検証してから拡大する方が安全だ。総合ランキングでは gemini-4-argon-high が1525点で首位に立ち、kimi-k3-max は16位で中国モデルの最高順位だった。総合体験とエージェント能力は、すでに別の競争になっている。
