AI-modellers kapacitetssammenligning
Computerbrug
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 rateAgentens afsluttende eksamen — beståelsesprocent
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nr. | 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)
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 ↗
Agent's Last Exam — Pass rate · 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.
- Score
- Tester professionelt arbejde med lang horisont i virkelige softwaremiljøer. Beståelsesprocent tæller opgaver, der opfylder det krævede resultat, ikke kun delvis fremdrift. Evalueringsmetodik ↗
- Dækning
- Kun offentliggjorte resultater for de valgte modelfamilier vises. OSWorld 2.x, Verified og Pro leverer i øjeblikket Claude Opus 5-konfigurationer; dette er ikke fuld dækning af alle modeller. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web og WorkArena++ er endnu ikke integreret her. SafeArena måler sikkerhed separat og er ikke flettet ind i opgavefuldførelsesscorer. Manglende resultater udfyldes aldrig med nul.