Σύγκριση Ικανοτήτων Μοντέλων AI
Χρήση υπολογιστή
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.
ALE-V1 · full · max · Codex
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Αρ. | Μοντέλο | Μηχανή πράκτορα | Προσπάθεια συλλογισμού | Διαχωρισμός | Εκτελεσμένες εργασίες / Σύνολο εργασιών | ||
|---|---|---|---|---|---|---|---|
| 1 |  GPT-6 Astragpt-6-astra | Codex | max | 34.21% | 59.26% | full | 151 / 152 |
| 2 | GPT-6 Solgpt-6-sol | Codex | max | 31.58% | 58.57% | full | 151 / 152 |
| 3 | GPT-6 Lunagpt-6-luna | Codex | max | 25% | 50.89% | full | 150 / 152 |
ALE · επαγγελματικές ροές εργασίας
Πηγή: Agents’ Last Exam ↗ · CC BY 4.0 · Ανακτήθηκε 21 Οκτ 2026, 06:00 (Συντονισμένη Παγκόσμια Ώρα)
ALE-V1 · full · max · Codex · 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.
- Μηχανή πράκτορα
- Codex
- Προσπάθεια συλλογισμού
- max
- Βαθμολογία
- ALE-V1 πλήρες split, μέγιστη προσπάθεια συλλογισμού: ποσοστό και των 152 εργασιών που λαμβάνουν πλήρη μόρια. Οι μετρήσεις εκτελεσμένων εργασιών ενδέχεται να είναι κάτω από 152. Οι επαγγελματικές ροές εργασίας επιτρέπουν εργαλεία GUI και γραμμής εντολών· τα Claude Code και Codex χρησιμοποιούν διαφορετικά πλαίσια δοκιμών. Δεν πρόκειται για σύγκριση μόνο με GUI. Δεν δημοσιεύεται ημερομηνία στιγμιότυπου ανάντη· ο χρόνος ανάκτησης εμφανίζεται ξεχωριστά. Τα Claude Code και Codex κατατάσσονται μόνο εντός των ξεχωριστών ομάδων σύγκρισής τους. Μεθοδολογία αξιολόγησης ↗
- Μερική βαθμολογία
- ALE-V1 πλήρες split, μέγιστη προσπάθεια συλλογισμού: η δημοσιευμένη μέση μερική βαθμολογία εργασιών, μετατρεπόμενη από 0–1 σε ποσοστό. Αυτό δεν είναι ποσοστό επιτυχίας για ολόκληρη την εργασία. Οι επαγγελματικές ροές εργασίας επιτρέπουν εργαλεία GUI και γραμμής εντολών· το Claude Code και το Codex χρησιμοποιούν διαφορετικά πλαίσια αξιολόγησης. Εμφανίζονται οι αριθμοί εκτελέσεων εργασιών και το split των 152 εργασιών. Δεν δημοσιεύεται ημερομηνία snapshot ανάντη ροής· ο χρόνος ανάκτησης εμφανίζεται ξεχωριστά. Το Claude Code και το Codex κατατάσσονται μόνο στις ξεχωριστές ομάδες σύγκρισής τους.
- Διαχωρισμός
- Διαχωρισμός
- Εκτελεσμένες εργασίες / Σύνολο εργασιών
- Διακριτές εργασίες με δημοσιευμένη εκτέλεση / όλες οι 152 εργασίες στο πλήρες split. Το ποσοστό επιτυχίας χρησιμοποιεί το πλήρες split ως παρονομαστή· οι εργασίες που δεν έχουν εκτελεστεί δεν υπολογίζονται ως επιτυχίες.