AI-modellers kapacitetssammenligning
Vidensarbejde
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 | 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)
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 ↗
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 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.
- AutomationBench — ScoreAutomatiseringsbenchmark — score
- Tester, om en agent fuldfører forretningsworkflows på tværs af flere applikationer. Officielle scores bruger et privat opgavesæt og kontrollerer workflowets sluttilstand. Evalueringsmetodik ↗
- Harvey's Legal Agent BenchmarkHarvey juridisk agent-benchmark
- Tester agenter i at læse og redigere filer for at producere flertrins juridiske arbejdsprodukter. En opgave består kun, når hvert bedømmelseskrav er opfyldt. Scoren er den gennemsnitlige opgavebeståelsesrate fra to dommere; højere er bedre. Det er ikke procentdelen af beståede individuelle kriterier, og det måler juridiske agent-workflows snarere end LegalBench's juridiske ræsonneringsspørgsmål. Evalueringsmetodik ↗
- Vals Finance Agent v2Vals finansagent v2
- Tester finansiel analyse med søgning, finansielle rapporter og beregningsværktøjer, herunder datakontrol på tværs af dokumenter, sammenligninger af virksomheders resultater og værdiansættelse. Den primære metrik er Partial Credit, et gennemsnit over tre kørsler: svarkontroller får alvorlighedsbaserede vægte, og en kritisk dealbreaker-fejl gør, at det spørgsmål scorer nul. Højere er bedre. Dette er forskelligt fra den separate All-Pass-metrik og er ikke beståelsesraten for hele spørgsmål. Evalueringsmetodik ↗
- Vals IndexVals sammensatte indeks
- Et sammensat indeks over professionelle opgaver inden for områder som finans, kodning og jura. Dets procentvise score kombinerer benchmarkresultater ved hjælp af vægtningsmetoden for den pågældende offentliggjorte version; højere betyder stærkere samlet ydeevne, ikke nøjagtigheden af en enkelt opgave. Inkluderede domæner og vægte ændrer sig på tværs af versioner, så nyere metodologi må ikke anvendes bagudrettet på ældre score-snapshots. 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.