Srovnání schopností AI modelů
Agentní kódování
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.
| Č. | Model | 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)
Zdroj: Google DeepMind (model card) ↗
Karta modelu Google: výsledky od vydavatele a znovu publikované skóre třetích stran, k říjnu 2026. Nastavení hodnocení najdete v metodice; nejedná se o všechna nezávislá hodnocení. Metodika hodnocení ↗
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 Aktualizováno 21. 10. 2026 06:01 UTC
Zdroj: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Průvodce sloupci
- Č.
- Pouze pořadí zobrazení. Řazení toto číslo mění; nejde o zveřejněné pořadí schopností.
- Model
- Název hodnoceného modelu a ikona jeho poskytovatele. Pomlčka ve sloupci se skóre znamená, že zde není k dispozici žádné zveřejněné skóre, nikoli nula.
- DeepSWE v1.1DeepSWE softwarové inženýrství v1.1
- Testuje dlouhodobé softwarové inženýrství na původních úlohách, přičemž úspěch se ověřuje podle požadavků úlohy. Porovnávejte stejnou verzi benchmarku a stejné nastavení agenta. Metodika hodnocení ↗
- FrontierSWE v2FrontierSWE softwarové inženýrství v2
- Testuje obtížné inženýrské a technické výzkumné úlohy. Skóre odráží zveřejněné hodnocení úloh, přičemž verze a nastavení agenta ovlivňují srovnatelnost. Metodika hodnocení ↗
- Terminal-bench 4.0Terminálový benchmark 4.0
- Testuje plnění praktických úloh v terminálovém prostředí, jako je programování a systémové operace. Jednotlivé verze používají různé sady úloh a měly by se porovnávat samostatně. Metodika hodnocení ↗
- Vibe Code BenchBenchmark vibe codingu
- Testuje vytváření webových aplikací z požadavků v přirozeném jazyce a hodnotí výslednou aplikaci, nikoli izolované odpovědi v podobě kódu. Metodika hodnocení ↗
Skóre čtěte v rámci stejného benchmarku, zdroje a verze. Vyšší hodnoty znamenají silnější výkon v uváděné metrice, ale různé sloupce nemají společnou škálu.