Σύγκριση Ικανοτήτων Μοντέλων AI
Εργασία γνώσης
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.
Vals Finance Agent v2Vals χρηματοοικονομικός πράκτορας v2
— means no published score for this candidate in this source, not zero.10/11 recent-year models have scores
| Αρ. | Μοντέλο | Cost / TestΚόστος ανά δοκιμή | Input costΤιμή εισόδου ανά εκατομμύριο token | Output costΤιμή εξόδου ανά εκατομμύριο token | DurationΑναφερόμενη διάρκεια δοκιμής | |
|---|---|---|---|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 65.4 | $4.38 | $4 | $20 | 16.35 min |
| 2 |  Claude Fable 5.1Claude Fable 5.1 | 58.88 | $8.35 | $10 | $50 | 18.23 min |
| 3 | Claude Opus 5Claude Opus 5 | 58.63 | $5.12 | $5 | $25 | 9.97 min |
| 4 | Claude Opus 5.5Claude Opus 5.5 | 58.59 | $9.22 | $4 | $20 | 33.13 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.1 | $6.55 | $2 | $10 | 31.72 min |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 54.14 | $1.64 | $0.1 | $0.5 | 30.82 min |
| 7 |  GPT-6 AstraGPT-6 Astra | 53.54 | $6.82 | $10 | $50 | 11.55 min |
| 8 | GPT-6.1 SolGPT-6.1 Sol | 52.03 | $1.62 | $2 | $10 | 15.42 min |
| 9 | GPT-6 LunaGPT-6 Luna | 49.87 | $0.12 | $0.1 | $0.5 | 14.97 min |
| 10 | GPT-6 SolGPT-6 Sol | 49.05 | $2.12 | $2 | $10 | 9 min |
Αξιολογήσεις Vals.ai
Πηγή: Vals.ai ↗ · Ενημερώθηκε 2026-10-19
Vals Finance Agent v2 · Ενημερώθηκε 2026-10-18
PandaNpc Ενημερώθηκε 21 Οκτ 2026, 06:01 (Συντονισμένη Παγκόσμια Ώρα)
Πηγή: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Οδηγός στηλών
- Αρ.
- Μόνο σειρά εμφάνισης. Η ταξινόμηση αλλάζει αυτόν τον αριθμό· δεν αποτελεί δημοσιευμένη κατάταξη ικανοτήτων.
- Μοντέλο
- Το όνομα του αξιολογούμενου μοντέλου και το εικονίδιο του παρόχου του. Μια παύλα σε μια στήλη βαθμολογίας σημαίνει ότι δεν υπάρχει διαθέσιμη δημοσιευμένη βαθμολογία εδώ, όχι μηδέν.
- Cost / Test
- Κόστος ανά δοκιμή · USD
- Input cost
- Τιμή εισόδου ανά εκατομμύριο token · USD / 1M tokens
- Output cost
- Τιμή εξόδου ανά εκατομμύριο token · USD / 1M tokens
- Duration
- Αναφερόμενη διάρκεια δοκιμής · s / min
- Vals.ai
- Τα κόστη και οι χρόνοι αναφέρονται από το Vals για αυτό το benchmark, όχι καθολικές τιμές μοντέλων ή καθυστέρηση. Το εκτιμώμενο κόστος API του CUA-bench καλύπτει τη χρήση αξιολόγησης και αποτελεί εκτίμηση κατώτατου ορίου, όχι κόστος ανά εργασία· ο χρόνος ανά ενέργεια είναι μέσος όρος, όχι διάμεσος. Ένας αστερίσκος σηματοδοτεί τη συμπεριφορά prompt-cache την ημέρα κυκλοφορίας, η οποία αύξησε τα κόστη εγγραφής στην cache. Οι τιμές που λείπουν είναι μη δημοσιευμένες, όχι μηδέν.
- Vals Finance Agent v2Vals χρηματοοικονομικός πράκτορας v2
- Ελέγχει χρηματοοικονομική ανάλυση με εργαλεία αναζήτησης, χρηματοοικονομικών αναφορών και υπολογισμών, συμπεριλαμβανομένων ελέγχων δεδομένων μεταξύ εγγράφων, συγκρίσεων εταιρικής απόδοσης και αποτίμησης. Η κύρια μέτρηση είναι το Partial Credit, με μέσο όρο σε τρεις εκτελέσεις: οι έλεγχοι απαντήσεων λαμβάνουν βάρη βάσει σοβαρότητας, και ένα κρίσιμο σφάλμα dealbreaker κάνει τη βαθμολογία αυτής της ερώτησης μηδέν. Το υψηλότερο είναι καλύτερο. Αυτό διακρίνεται από τη ξεχωριστή μέτρηση All-Pass και δεν είναι ποσοστό επιτυχίας ολόκληρης της ερώτησης. Μεθοδολογία αξιολόγησης ↗
- Harvey's Legal Agent BenchmarkBenchmark νομικού πράκτορα Harvey
- Ελέγχει πράκτορες που διαβάζουν και επεξεργάζονται αρχεία για να παράγουν πολυβηματικά νομικά παραδοτέα. Μια εργασία περνά μόνο όταν πληρούνται όλες οι απαιτήσεις βαθμολόγησης. Η βαθμολογία είναι ο μέσος όρος του ποσοστού επιτυχίας εργασιών από δύο κριτές· υψηλότερη είναι καλύτερη. Δεν είναι το ποσοστό των επιμέρους κριτηρίων που πέρασαν, και μετρά ροές εργασίας νομικών πρακτόρων και όχι τις ερωτήσεις νομικής συλλογιστικής του LegalBench. Μεθοδολογία αξιολόγησης ↗
- Vals IndexΣύνθετος δείκτης Vals
- Ένας σύνθετος δείκτης επαγγελματικών εργασιών σε τομείς όπως χρηματοοικονομικά, προγραμματισμός και νομικά. Η ποσοστιαία βαθμολογία του συνδυάζει αποτελέσματα συγκριτικής αξιολόγησης χρησιμοποιώντας τη μέθοδο στάθμισης της εκάστοτε δημοσιευμένης έκδοσης· υψηλότερη σημαίνει ισχυρότερη συνολική απόδοση, όχι την ακρίβεια μίας μεμονωμένης εργασίας. Οι τομείς και τα βάρη που περιλαμβάνονται αλλάζουν μεταξύ εκδόσεων, επομένως η νεότερη μεθοδολογία δεν πρέπει να εφαρμόζεται αναδρομικά σε παλαιότερα στιγμιότυπα βαθμολογίας. Μεθοδολογία αξιολόγησης ↗
- LegalBenchBenchmark νομικής συλλογιστικής
- Ελέγχει την κατανόηση και τη συλλογιστική πάνω σε νομικά κείμενα, συμπεριλαμβανομένης της αναγνώρισης νομικών ζητημάτων, της ανάκλησης και εφαρμογής κανόνων, και της κρίσης νομικών συμπερασμάτων. Η βαθμολογία είναι η ακρίβεια σε ερωτήσεις νομικής συλλογιστικής· υψηλότερη είναι καλύτερη. Σε αντίθεση με το Harvey's Legal Agent Benchmark, δεν μετρά έναν πράκτορα που παράγει πολυβηματικά νομικά παραδοτέα επεξεργάζοντας αρχεία. Μεθοδολογία αξιολόγησης ↗