Srovnání schopností AI modelů
Věda a matematika
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 | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 9/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 31.71maxclaude-opus-5-5_max | 91.23maxclaude-opus-5-5_max | 95maxclaude-opus-5-5_max | 100maxclaude-opus-5-5_max | 90.59maxclaude-opus-5-5_max | — |
| 2 |  GPT-6 Astra | 31.71maxgpt-6-astra_max | 93.68maxgpt-6-astra_max | 97.6highgpt-6-astra_high | 99unknowngpt-6-astra_unknown | 95.77maxgpt-6-astra_max | 54.8unknowngpt-6-astra_unknown |
| 3 | GPT-6.1 Sol | 31.71maxgpt-6.1-sol_max | 93.68maxgpt-6.1-sol_max | 100maxgpt-6.1-sol_max | 99unknowngpt-6.1-sol_unknown | 95.39maxgpt-6.1-sol_max | — |
| 4 | Claude Fable 5.1 | 31.14xhighclaude-fable-5-1_xhigh | 90.18maxclaude-fable-5-1_max | 87.8maxclaude-fable-5-1_max | 100maxclaude-fable-5-1_max | — | 46.5xhighclaude-fable-5-1_xhigh |
| 5 |  Gemini 4 Argon | 27.14highgemini-4-argon_high | 85.96highgemini-4-argon_high | 78.05highgemini-4-argon_high | 99unknowngemini-4-argon_unknown | 96.4highgemini-4-argon_high | — |
| 6 | Claude Sonnet 5.5 | 31.43maxclaude-sonnet-5-5_max | 88.77maxclaude-sonnet-5-5_max | 80.49maxclaude-sonnet-5-5_max | 100maxclaude-sonnet-5-5_max | 95.58maxclaude-sonnet-5-5_max | 46.12xhighclaude-sonnet-5-5_xhigh |
| 7 | Claude Opus 5 | 29.14maxclaude-opus-5_max | 85.61maxclaude-opus-5_max | 73.17maxclaude-opus-5_max | 99maxclaude-opus-5_max | 93.88maxclaude-opus-5_max | — |
| 8 | GPT-6 Sol | 30.86maxgpt-6-sol_max | 89.82maxgpt-6-sol_max | 90maxgpt-6-sol_max | 83unknowngpt-6-sol_unknown | 94.32maxgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 19.43maxgpt-6-luna_max | 78.95maxgpt-6-luna_max | 56.1maxgpt-6-luna_max | 64unknowngpt-6-luna_unknown | 90.47maxgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 22.57xhighclaude-haiku-5-5_xhigh | 75.09maxclaude-haiku-5-5_max | 46.34maxclaude-haiku-5-5_max | 89maxclaude-haiku-5-5_max | 89.65maxclaude-haiku-5-5_max | 30.12unknownclaude-haiku-5-5_unknown |
| 11 | Claude Mythos Preview | — | — | — | — | — | — |
Benchmarky Epoch AI
Zdroj: Epoch AI, CC BY 4.0 ↗ · Aktualizováno 2026-10-15
CritPt · Aktualizováno 2026-10-15
FrontierMath Tiers 1-3 · Aktualizováno 2026-10-15
FrontierMath Tier 4 · Aktualizováno 2026-10-15
ProofBench · Aktualizováno 2026-10-12
GPQA Diamond · Aktualizováno 2026-10-15
Humanity's Last Exam · Aktualizováno 2026-10-07
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.
- CritPtFyzikální úlohy na výzkumné úrovni
- Testuje uvažování o nepublikovaných fyzikálních problémech na výzkumné úrovni napříč oblastmi moderní fyziky. Metodika hodnocení ↗
- FrontierMath Tiers 1-3Frontier matematika — úrovně 1-3
- Testuje náročné původní matematické úlohy napříč obtížnostními stupni 1–3. Tato skóre by se neměla slučovat s obtížnějším stupněm 4. Metodika hodnocení ↗
- FrontierMath Tier 4Frontier matematika — úroveň 4
- Testuje nejobtížnější stupeň výzkumných úloh FrontierMath, odděleně od stupňů 1–3. Metodika hodnocení ↗
- ProofBenchBenchmark formálních matematických důkazů
- Testuje vytváření matematických důkazů, které lze ověřit formálním verifikátorem. Metodika hodnocení ↗
- GPQA DiamondOdpovídání na otázky na úrovni absolventa — Diamond
- Testuje obtížné vědecké otázky na úrovni postgraduálního studia vyžadující odborné znalosti a uvažování. Metodika hodnocení ↗
- Humanity's Last ExamZávěrečná zkouška lidstva
- Testuje obtížné otázky na odborné úrovni z mnoha akademických oborů. Jde o benchmark typu otázka-odpověď, odlišný od Agents' Last Exam. 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.