Srovnání schopností AI modelů
Použití počítače
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.
Agent's Last Exam — Pass rateZávěrečná zkouška agenta — míra úspěšnosti
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Č. | Model | |
|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 39.5Pass rate |
| 2 |  Claude Opus 5.5Claude Opus 5.5 | 38.2Pass rate |
| 3 |  GPT-6 AstraGPT-6 Astra | 34.2Pass rate |
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 ↗
Agent's Last Exam — Pass rate · 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.
- Skóre
- Testuje dlouhodobou profesionální práci v reálných softwarových prostředích. Míra úspěšnosti počítá úlohy, které splňují požadovaný výsledek, nejen částečný pokrok. Metodika hodnocení ↗
- Pokrytí
- Zobrazují se pouze publikované výsledky pro vybrané rodiny modelů. OSWorld 2.x, Verified a Pro aktuálně poskytují konfigurace Claude Opus 5; nejde o úplné pokrytí všech modelů. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web a WorkArena++ zde zatím nejsou integrovány. SafeArena měří bezpečnost samostatně a není sloučena do skóre dokončení úloh. Chybějící výsledky nejsou nikdy nahrazeny nulou.