评测平台 Arena 在 10 月 2 日把 Claude Sonnet 5.5（Max 档）和 GPT-6.1 Sol（Max 档）加进了 Agent Arena 排行榜。两款模型分别排在第 3 名和第 5 名，净改进率为 12.52% 和 11.23%。前两名仍是 Anthropic 自家的 Claude Fable 5.1（14.31%）和 Opus 5.5（13.82%），第 4 名是 GPT-6 Astra（12.27%）。
Agent Arena 跟大家熟悉的文本竞技场打分方式不同。它统计的是真实用户把模型当智能体用的会话：模型要调工具、跑多步任务，最后看用户满不满意。榜单页显示，目前累计会话约 215.8 万次，覆盖 51 个模型。净改进率综合了工具调用的可靠性、任务完成情况和可引导性，9 月 30 日 Arena 刚改过可引导性的算法，从只看“被纠正后改没改”，扩展到对话里每一轮能判断的回复，一次就做对的模型会多拿分。
第三和第五，差距在误差里
只看名次，Sonnet 5.5 压过了 GPT-6 Astra 和 GPT-6.1 Sol。把误差范围带上就是另一幅图景：Sonnet 5.5 的分数是 12.52% ± 3.09%，GPT-6.1 Sol 是 11.23% ± 2.76%，两者的区间大面积重叠，跟第 4 名 Astra 只差 0.25 个百分点。新模型刚上榜，会话样本还少，误差带比 Opus 5.5（± 2.17%）宽一截。按现在的数据，第 3 到第 5 名很难说谁一定更强。
细分项上两家各有长处。Sonnet 5.5 在 Bash 命令失败后的恢复一项排第一，得分 15.05%；GPT-6.1 Sol 在工具幻觉一项排第一，编造不存在工具的比例只有 0.49%，“用户确认任务完成”一项以 15.47% 排第二。
账单拉开了距离
两款模型的 API 单价其实一样，都是每百万输入 token 2 美元、输出 10 美元。到了智能体任务里，单个任务的花费差出好几倍。Arena 的成本页显示：
| 模型 | 净改进率 | 单任务成本 |
|---|---|---|
| Claude Fable 5.1 | 14.31% | 约 4.91 美元 |
| Claude Opus 5.5 | 13.82% | 约 1.56 美元 |
| Claude Sonnet 5.5 | 12.52% | 约 2.99 美元 |
| GPT-6 Astra | 12.27% | 约 3.10 美元 |
| GPT-6.1 Sol | 11.23% | 约 0.58 美元 |
| DeepSeek V4.1 Flash | 4.02% | 约 0.11 美元 |
单价一样、单任务成本差五倍左右，差在 token 用量上。Sonnet 5.5 在 Max 档会写得更长、想得更久，此前第三方测评也发现它每个任务消耗的 token 比上一代多出一截。结果是它比自家更大的 Opus 5.5 分低、花得还多，没能进入 Arena 标注的性价比前沿（Pareto 前沿）。这条前沿目前由 Fable 5.1、Opus 5.5、GPT-6.1 Sol 和 DeepSeek V4.1 Flash 四个点连成。
GPT-6.1 Sol 是这次重新画了前沿的那个。Arena 在发布时给的对比是：它的单任务中位成本比上一版 GPT-6 Sol 低 39%，分数反而高 1.52 个百分点；比 GPT-6 Astra 便宜 81%，分数差距在 1.04 个百分点内。GPT-6.1 Sol 发布才一周多就替换掉了 GPT-6 Sol，这份榜单给了 OpenAI 一个“便宜又不掉分”的第三方注脚。
这套成本数字也有它的口径限制。Arena 统计的是用户在它平台上发起的会话，任务类型以写代码、查资料、跑命令为主，分布跟企业内部的真实工作流未必一致；成本按 Arena 实际调用 API 的花费折算，用了缓存折扣、批量折扣的企业账单会更低。拿这张表做采购决策，最好先在自己的任务上抽样复测一遍。
跟上一代比
把时间往回拉，Sonnet 这条线在 Agent Arena 上的位置一直在往前挪。上一代 Sonnet 5 初次上榜时排第 6，这次 5.5 进了前三。OpenAI 那边则是另一种节奏：GPT-6 Sol 9 月 25 日上榜时净改进率 9.71%，一周后 6.1 Sol 补上来，分数涨了一点半，成本降了约四成。
对开发者来说，选哪个模型跑智能体，取决于任务量。偶尔跑几个复杂任务，Opus 5.5 这类分高、单价不算离谱的模型更省心；要批量跑、按量计费，GPT-6.1 Sol 和 DeepSeek V4.1 Flash 这样的低成本点更合适。至于 Sonnet 5.5，换到更低的推理档位后，成本和分数会落在哪里，Arena 目前只测了 Max 一档，还没有数据。
参考来源：Arena Agent Arena 排行榜、Arena 成本前沿页、CocoLoop、Arena 官方账号、Artificial Analysis；各模型净改进率、误差范围与单任务成本以 Arena 页面显示数值为准。