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 | 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 | 73.1Claude Opus 5.5 | 69.6Claude Opus 5.5 | 63.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 85.4GPT-6 Astra | 72GPT-6 Astra | 68.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — |
| 4 | Claude Fable 5.1 | 68.6Claude Fable 5.1 | 65.6Claude Fable 5.1 | 52.6Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 88.8Gemini 4 Argon | 76Gemini 4 Argon | 57.6Gemini 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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Laboratorní benchmark 2
- Testuje úlohy biologického výzkumu, včetně vědeckých informací a analýzy dat. Výsledky závisí na nástrojích dostupných během hodnocení. Metodika hodnocení ↗
- RiemannBenchRiemannův matematický benchmark
- Testuje matematické problémy na výzkumné úrovni přesahující běžné soutěžní úlohy. Skóre odráží výkon v benchmarku, nikoli obecné matematické mistrovství. Metodika hodnocení ↗
- Terminal-Bench Science 0.1Vědecký terminálový benchmark 0.1
- Testuje vědeckovýzkumné pracovní postupy prováděné pomocí terminálových nástrojů. Verze 0.1 je oddělena od obecné sady úloh Terminal-Bench. 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.