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.
Agent's Last Exam — Pass rateΤελική εξέταση πράκτορα — ποσοστό επιτυχίας
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Αρ. | Μοντέλο | |
|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 39.5Pass rate |
| 2 |  Claude Opus 5.5Claude Opus 5.5 | 38.2Pass rate |
| 3 |  GPT-6 AstraGPT-6 Astra | 34.2Pass rate |
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 ↗
Agent's Last Exam — Pass rate · 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.
- Βαθμολογία
- Ελέγχει επαγγελματική εργασία μακρού ορίζοντα σε πραγματικά περιβάλλοντα λογισμικού. Το ποσοστό επιτυχίας μετρά εργασίες που πληρούν το απαιτούμενο αποτέλεσμα, όχι μόνο μερική πρόοδο. Μεθοδολογία αξιολόγησης ↗
- Κάλυψη
- Εμφανίζονται μόνο δημοσιευμένα αποτελέσματα για τις επιλεγμένες οικογένειες μοντέλων. Τα OSWorld 2.x, Verified και Pro παρέχουν επί του παρόντος διαμορφώσεις Claude Opus 5· αυτό δεν είναι πλήρης κάλυψη κάθε μοντέλου. Τα Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web και WorkArena++ δεν έχουν ακόμη ενσωματωθεί εδώ. Το SafeArena μετρά την ασφάλεια ξεχωριστά και δεν συγχωνεύεται στις βαθμολογίες ολοκλήρωσης εργασιών. Τα αποτελέσματα που λείπουν δεν συμπληρώνονται ποτέ με μηδέν.