مقارنة قدرات نماذج الذكاء الاصطناعي
البرمجة الوكيلية
Only models released within the past year are shown. Only benchmarks covering at least 3 of these models are shown. Unknown release dates are excluded; historical data is retained.
— means no published score for this candidate in this source, not zero.
| رقم | النموذج | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 4 Argon |
| 6 | Claude Sonnet 5.5 | — | — | — | — |
| 7 | Claude Opus 5 | — | — | — | — |
| 8 | GPT-6 Sol | — | — | — | — |
| 9 | GPT-6 Luna | — | — | — | — |
| 10 | Claude Haiku 5.5 | — | — | — | — |
| 11 | Claude Mythos Preview | — | — | — | — |
Google DeepMind (model card)
المصدر: Google DeepMind (model card) ↗
بطاقة نموذج جوجل: نتائج الناشر ودرجات طرف ثالث أُعيد نشرها، اعتبارًا من أكتوبر 2026. راجع المنهجية للاطلاع على إعدادات التقييم؛ هذه ليست كلها تقييمات مستقلة. منهجية التقييم ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
PandaNpc تم التحديث 21 أكتوبر 2026، 06:01 UTC
المصدر: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
دليل الأعمدة
- رقم
- ترتيب العرض فقط. الفرز يغيّر هذا الرقم؛ وهو ليس تصنيفًا منشورًا للقدرات.
- النموذج
- اسم النموذج المقيَّم وأيقونة مزوّده. الشرطة في عمود الدرجات تعني عدم توفر درجة منشورة هنا، وليس صفرًا.
- DeepSWE v1.1هندسة البرمجيات DeepSWE v1.1
- يختبر هندسة البرمجيات طويلة المدى على مهام أصلية، مع التحقق من النجاح مقابل متطلبات المهمة. قارن نفس إصدار المعيار وإعداد الوكيل. منهجية التقييم ↗
- FrontierSWE v2هندسة البرمجيات FrontierSWE v2
- يختبر مهام الهندسة والبحث التقني الصعبة. تعكس الدرجات تقييم المهام المنشور، مع تأثير الإصدار وإعداد الوكيل على قابلية المقارنة. منهجية التقييم ↗
- Terminal-bench 4.0معيار الطرفية 4.0
- يختبر إنجاز مهام عملية في بيئة طرفية، مثل البرمجة وعمليات النظام. تستخدم الإصدارات مجموعات مهام مختلفة وينبغي مقارنتها بشكل منفصل. منهجية التقييم ↗
- Vibe Code Benchمعيار البرمجة Vibe
- يختبر بناء تطبيقات الويب من طلبات باللغة الطبيعية، مع تقييم التطبيق الناتج بدلاً من إجابات الكود المعزولة. منهجية التقييم ↗
اقرأ الدرجات ضمن نفس المعيار والمصدر والإصدار. تشير القيم الأعلى إلى أداء أقوى على المقياس المُبلَّغ عنه، لكن الأعمدة المختلفة لا تشترك في مقياس موحّد.