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 | 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 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 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)
Πηγή: Google DeepMind (model card) ↗
Κάρτα μοντέλου Google: αποτελέσματα εκδότη και αναδημοσιευμένες βαθμολογίες τρίτων, με στοιχεία Οκτωβρίου 2026. Δείτε τη μεθοδολογία για τις ρυθμίσεις αξιολόγησης· αυτές δεν είναι όλες ανεξάρτητες αξιολογήσεις. Μεθοδολογία αξιολόγησης ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
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.
- DeepSWE v1.1DeepSWE μηχανική λογισμικού v1.1
- Δοκιμάζει μακροπρόθεσμη μηχανική λογισμικού σε πρωτότυπες εργασίες, με την επιτυχία να επαληθεύεται βάσει των απαιτήσεων της εργασίας. Συγκρίνετε την ίδια έκδοση benchmark και την ίδια ρύθμιση πράκτορα. Μεθοδολογία αξιολόγησης ↗
- FrontierSWE v2FrontierSWE μηχανική λογισμικού v2
- Δοκιμάζει δύσκολες εργασίες μηχανικής και τεχνικής έρευνας. Οι βαθμολογίες αντικατοπτρίζουν τη δημοσιευμένη αξιολόγηση εργασιών, με την έκδοση και τη ρύθμιση πράκτορα να επηρεάζουν τη συγκρισιμότητα. Μεθοδολογία αξιολόγησης ↗
- Terminal-bench 4.0Benchmark τερματικού 4.0
- Δοκιμάζει την ολοκλήρωση πρακτικών εργασιών σε περιβάλλον τερματικού, όπως προγραμματισμό και λειτουργίες συστήματος. Οι εκδόσεις χρησιμοποιούν διαφορετικά σύνολα εργασιών και θα πρέπει να συγκρίνονται χωριστά. Μεθοδολογία αξιολόγησης ↗
- Vibe Code BenchBenchmark προγραμματισμού Vibe
- Δοκιμάζει τη δημιουργία διαδικτυακών εφαρμογών από αιτήματα φυσικής γλώσσας, αξιολογώντας την τελική εφαρμογή αντί για μεμονωμένες απαντήσεις κώδικα. 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.