Claude Opus 5.5 Max가 Arena 플랫폼이 2026년 10월 12일 발표한 41주차 랭킹(집계 기간 10월 5~11일)에서 에이전트 랭킹에 처음 오르자마자 1위를 차지했다. 순개선율은 15.53%, 작업 확인 성공률은 17.29%, 도구 환각률은 0.37%였다. 그러나 순위보다 눈여겨볼 것은 이 숫자들의 절대값이다. 현재 가장 강한 에이전트 모델조차 실제 작업에서의 순개선율은 15%를 조금 넘는 수준에 그친다.
1위 뒤에 펼쳐진 가파른 낙차
에이전트 랭킹 상위권은 Anthropic이 거의 휩쓸었다. Claude Opus 5.5(High)가 14.33%로 2위, OpenAI의 GPT 6 Astra(Max)가 13.09%로 3위, Gemini 4 Argon(High)은 8위로 올랐고 도구 환각률 0.18%로 선두권에서 가장 낮았다. 중국 모델은 전체적으로 두 번째 그룹에 머물렀다. DeepSeek V4.1 Flash(Max)가 17위 순개선율 3.80%, Kimi K3(Max)가 18위 3.78%, 텐센트 Hy4 preview가 19위, 샤오미 MiMo V2.6 Pro가 20위, 알리바바 Qwen3.8 Max는 24위로 2.35%에 그쳤다. 1위와 중국 모델 최고 성적 사이에는 약 네 배의 간격이 있다.
이 랭킹을 읽는 법, 읽지 말아야 할 법
Arena의 순위는 익명 블라인드 테스트 투표에서 나온다. 종합 랭킹은 ELO 점수, 에이전트 랭킹은 백분율 신호를 쓰며, 표준화된 절대 능력 시험이 아니라 사용자의 주관적 선호와 작업 완료 신호를 반영한다. 서로 다른 랭킹끼리 직접 비교할 수 없고, 오차 범위 안의 차이는 동순위로 봐야 하며, 새 모델은 충분한 표를 모아야 정식으로 순위에 든다. 온도계로 쓰면 유용하다. 재는 것은 어떤 모델이 특정 문제를 풀 수 있는지가 아니라, 여러 단계의 작업을 맡긴 실제 사용자가 결과를 확인할 마음이 드는가이다. 본 사이트가 앞서 전한 다중 에이전트 팀 실측 보도도 비슷한 주의를 줬다. 에이전트 수를 쌓는다고 비용 상승만큼 품질이 오르는 것은 아니다.
모델을 고르는 팀에게 주는 의미
에이전트 응용의 모델을 고르는 팀에게 이번 주 랭킹의 용도는 분명하다. 선두 모델 사이의 차이는 오차 범위와 함께 읽어야 하며, 한두 순위 때문에 호출 기반 전체를 교체할 이유는 되지 않는다. 중국 모델의 에이전트 작업 격차는 실재하므로, 도구 호출 신뢰성이 핵심인 흐름은 먼저 적은 트래픽으로 검증한 뒤 확대하는 편이 안전하다. 종합 랭킹에서는 gemini-4-argon-high가 1525점으로 선두에 섰고, kimi-k3-max는 16위로 중국 모델 중 가장 높았다. 종합 체험과 에이전트 능력은 이미 서로 다른 경쟁이 됐다.
