Srovnání schopností AI modelů
Znalostní práce
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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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.
- AutomationBench — ScoreAutomatizační benchmark — skóre
- Testuje, zda agent dokončí podnikové pracovní postupy napříč více aplikacemi. Oficiální skóre používají soukromou sadu úloh a kontrolují konečný stav pracovního postupu. Metodika hodnocení ↗
- Harvey's Legal Agent BenchmarkHarvey benchmark právního agenta
- Testuje agenty při čtení a úpravách souborů za účelem vytváření vícestupňových právních pracovních výstupů. Úloha uspěje pouze tehdy, když jsou splněny všechny požadavky na hodnocení. Skóre je průměrná míra úspěšnosti úloh od dvou hodnotitelů; vyšší je lepší. Není to procento splněných jednotlivých kritérií a měří pracovní postupy právních agentů, nikoli otázky právního uvažování z LegalBench. Metodika hodnocení ↗
- Vals Finance Agent v2Vals finanční agent v2
- Testuje finanční analýzu s vyhledáváním, finančními reporty a nástroji pro výpočty, včetně kontrol dat napříč dokumenty, srovnávání výkonnosti společností a oceňování. Hlavní metrikou je Partial Credit, zprůměrovaný přes tři běhy: kontroly odpovědí dostávají váhy podle závažnosti a kritická chyba dealbreaker způsobí, že daná otázka získá nulové skóre. Vyšší je lepší. Toto se liší od samostatné metriky All-Pass a nejde o míru úspěšnosti celé otázky. Metodika hodnocení ↗
- Vals IndexVals kompozitní index
- Kompozitní index profesionálních úloh v oblastech, jako jsou finance, programování a právo. Jeho procentuální skóre kombinuje výsledky benchmarků pomocí metody vážení pro danou publikovanou verzi; vyšší hodnota znamená silnější celkový výkon, nikoli přesnost jedné úlohy. Zahrnuté domény a váhy se mezi verzemi mění, takže novější metodika se nesmí zpětně aplikovat na starší snímky skóre. 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.