AI-modellers kapacitetssammenligning
Agentisk kodning
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.
| Nr. | 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)
Kilde: Google DeepMind (model card) ↗
Google-modelkort: udgiverresultater og genudgivne tredjepartsscorer pr. oktober 2026. Se metodologi for evalueringsindstillinger; disse er ikke alle uafhængige evalueringer. Evalueringsmetodik ↗
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 Opdateret 21. okt. 2026, 06.01 UTC
Kilde: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Kolonneguide
- Nr.
- Kun visningsrækkefølge. Sortering ændrer dette tal; det er ikke en offentliggjort kapacitetsrangering.
- Model
- Navnet på den evaluerede model og dens udbyderikon. En bindestreg i en scorekolonne betyder, at der ikke er en offentliggjort score tilgængelig her, ikke et nul.
- DeepSWE v1.1DeepSWE softwareudvikling v1.1
- Tester langsigtede softwareengineeringopgaver på originale opgaver, hvor succes kontrolleres op mod opgavekravene. Sammenlign samme benchmarkversion og agentopsætning. Evalueringsmetodik ↗
- FrontierSWE v2FrontierSWE softwareudvikling v2
- Tester svære ingeniør- og tekniske forskningsopgaver. Scorer afspejler den offentliggjorte opgaveevaluering, hvor version og agentopsætning påvirker sammenligneligheden. Evalueringsmetodik ↗
- Terminal-bench 4.0Terminalbenchmark 4.0
- Tester udførelse af praktiske opgaver i et terminalmiljø, såsom kodning og systemdrift. Versioner bruger forskellige opgavesæt og bør sammenlignes separat. Evalueringsmetodik ↗
- Vibe Code BenchVibe coding-benchmark
- Tester opbygning af webapplikationer ud fra anmodninger i naturligt sprog, og evaluerer den resulterende applikation frem for isolerede kodesvar. Evalueringsmetodik ↗
Læs scores inden for samme benchmark, kilde og version. Højere værdier indikerer stærkere ydeevne på den rapporterede metrik, men forskellige kolonner deler ikke en fælles skala.