AI-modellers kapacitetssammenligning
Videnskab & matematik
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 |
|---|---|---|---|---|
| 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)
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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Laboratoriebenchmark 2
- Tester biologiske forskningsopgaver, herunder videnskabelig information og dataanalyse. Resultater afhænger af de værktøjer, der er tilgængelige under evalueringen. Evalueringsmetodik ↗
- RiemannBenchRiemann matematikbenchmark
- Tester matematikopgaver på forskningsniveau ud over almindelige konkurrenceøvelser. Scorer afspejler præstationen på benchmarken frem for generel matematisk beherskelse. Evalueringsmetodik ↗
- Terminal-Bench Science 0.1Videnskabeligt terminalbenchmark 0.1
- Tester videnskabelige forskningsarbejdsgange udført via terminalværktøjer. Version 0.1 er separat fra det generelle Terminal-Bench-opgavesæt. 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.