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.
— 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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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.
- AutomationBench — ScoreBenchmark αυτοματισμού — βαθμολογία
- Ελέγχει αν ένας agent ολοκληρώνει επιχειρηματικές ροές εργασίας σε πολλαπλές εφαρμογές. Οι επίσημες βαθμολογίες χρησιμοποιούν ένα ιδιωτικό σύνολο εργασιών και ελέγχουν την τελική κατάσταση της ροής εργασίας. 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 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 ↗
- 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 ↗
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.