Σύγκριση Ικανοτήτων Μοντέλων AI
Προγραμματισμός με πράκτορες
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.
| Αρ. | Μοντέλο | 10/11 recent-year models have scores | 7/11 recent-year models have scores |
|---|---|---|---|
| 1 |  Claude Opus 5.5 | 54.64medium · claude-codeclaude-opus-5-5_medium | 62.33max · proximusclaude-opus-5-5_max |
| 2 |  GPT-6 Astra | 53.26max · codexgpt-6-astra_max | 65.51max · proximusgpt-6-astra_max |
| 3 | GPT-6.1 Sol | 50.23medium · codexgpt-6.1-sol_medium | — |
| 4 | Claude Fable 5.1 | 50.91medium · claude-codeclaude-fable-5-1_medium | 56.29max · proximusclaude-fable-5-1_max |
| 5 |  Gemini 4 Argon | 47.55medium · chiselgemini-4-argon_medium | 54.96high · proximusgemini-4-argon_high |
| 6 | Claude Sonnet 5.5 | 52.09xhigh · claude-codeclaude-sonnet-5-5_xhigh | 61.89max · proximusclaude-sonnet-5-5_max |
| 7 | Claude Opus 5 | 53.38medium · claude-codeclaude-opus-5_max | 52.01max · proximusclaude-opus-5_max |
| 8 | GPT-6 Sol | 49.27max · codexgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 42.42max · codexgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 46.36max · claude-codeclaude-haiku-5-5_max | 43.77max · proximusclaude-haiku-5-5_max |
| 11 | Claude Mythos Preview | — | — |
Δοκιμασίες Epoch AI
Πηγή: Epoch AI, CC BY 4.0 ↗ · Ενημερώθηκε 2026-10-15
FrontierCode · Ενημερώθηκε 2026-10-07
FrontierSWE · Ενημερώθηκε 2026-10-07
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.
- FrontierCodeFrontierCode προγραμματισμός
- Δοκιμάζει αν οι αλλαγές κώδικα πληρούν τις απαιτήσεις των συντηρητών για συγχώνευση, συνδυάζοντας λειτουργικούς ελέγχους με κριτήρια ποιότητας. Μεθοδολογία αξιολόγησης ↗
- FrontierSWEFrontierSWE μηχανική λογισμικού
- Δοκιμάζει δύσκολα μηχανικά και τεχνικά ερευνητικά καθήκοντα. Οι βαθμολογίες αντικατοπτρίζουν τη δημοσιευμένη αξιολόγηση εργασιών, με την έκδοση και τη διαμόρφωση πράκτορα να επηρεάζουν τη συγκρισιμότητα. Μεθοδολογία αξιολόγησης ↗
Διαβάστε τις βαθμολογίες εντός του ίδιου benchmark, της ίδιας πηγής και έκδοσης. Υψηλότερες τιμές υποδηλώνουν ισχυρότερη απόδοση στη μετρική που αναφέρεται, αλλά οι διαφορετικές στήλες δεν μοιράζονται κοινή κλίμακα.