Σύγκριση Ικανοτήτων Μοντέλων AI
Επιστήμη & Μαθηματικά
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 | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 9/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 31.71maxclaude-opus-5-5_max | 91.23maxclaude-opus-5-5_max | 95maxclaude-opus-5-5_max | 100maxclaude-opus-5-5_max | 90.59maxclaude-opus-5-5_max | — |
| 2 |  GPT-6 Astra | 31.71maxgpt-6-astra_max | 93.68maxgpt-6-astra_max | 97.6highgpt-6-astra_high | 99unknowngpt-6-astra_unknown | 95.77maxgpt-6-astra_max | 54.8unknowngpt-6-astra_unknown |
| 3 | GPT-6.1 Sol | 31.71maxgpt-6.1-sol_max | 93.68maxgpt-6.1-sol_max | 100maxgpt-6.1-sol_max | 99unknowngpt-6.1-sol_unknown | 95.39maxgpt-6.1-sol_max | — |
| 4 | Claude Fable 5.1 | 31.14xhighclaude-fable-5-1_xhigh | 90.18maxclaude-fable-5-1_max | 87.8maxclaude-fable-5-1_max | 100maxclaude-fable-5-1_max | — | 46.5xhighclaude-fable-5-1_xhigh |
| 5 |  Gemini 4 Argon | 27.14highgemini-4-argon_high | 85.96highgemini-4-argon_high | 78.05highgemini-4-argon_high | 99unknowngemini-4-argon_unknown | 96.4highgemini-4-argon_high | — |
| 6 | Claude Sonnet 5.5 | 31.43maxclaude-sonnet-5-5_max | 88.77maxclaude-sonnet-5-5_max | 80.49maxclaude-sonnet-5-5_max | 100maxclaude-sonnet-5-5_max | 95.58maxclaude-sonnet-5-5_max | 46.12xhighclaude-sonnet-5-5_xhigh |
| 7 | Claude Opus 5 | 29.14maxclaude-opus-5_max | 85.61maxclaude-opus-5_max | 73.17maxclaude-opus-5_max | 99maxclaude-opus-5_max | 93.88maxclaude-opus-5_max | — |
| 8 | GPT-6 Sol | 30.86maxgpt-6-sol_max | 89.82maxgpt-6-sol_max | 90maxgpt-6-sol_max | 83unknowngpt-6-sol_unknown | 94.32maxgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 19.43maxgpt-6-luna_max | 78.95maxgpt-6-luna_max | 56.1maxgpt-6-luna_max | 64unknowngpt-6-luna_unknown | 90.47maxgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 22.57xhighclaude-haiku-5-5_xhigh | 75.09maxclaude-haiku-5-5_max | 46.34maxclaude-haiku-5-5_max | 89maxclaude-haiku-5-5_max | 89.65maxclaude-haiku-5-5_max | 30.12unknownclaude-haiku-5-5_unknown |
| 11 | Claude Mythos Preview | — | — | — | — | — | — |
Δοκιμασίες Epoch AI
Πηγή: Epoch AI, CC BY 4.0 ↗ · Ενημερώθηκε 2026-10-15
CritPt · Ενημερώθηκε 2026-10-15
FrontierMath Tiers 1-3 · Ενημερώθηκε 2026-10-15
FrontierMath Tier 4 · Ενημερώθηκε 2026-10-15
ProofBench · Ενημερώθηκε 2026-10-12
GPQA Diamond · Ενημερώθηκε 2026-10-15
Humanity's Last Exam · 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.
- CritPtΠροβλήματα φυσικής επιπέδου έρευνας
- Δοκιμάζει τη συλλογιστική σε αδημοσίευτα προβλήματα φυσικής ερευνητικού επιπέδου σε σύγχρονους τομείς της φυσικής. Μεθοδολογία αξιολόγησης ↗
- FrontierMath Tiers 1-3Μαθηματικά αιχμής — επίπεδα 1-3
- Δοκιμάζει απαιτητικά πρωτότυπα μαθηματικά προβλήματα σε επίπεδα δυσκολίας 1–3. Αυτές οι βαθμολογίες δεν πρέπει να συγχωνεύονται με το δυσκολότερο επίπεδο 4. Μεθοδολογία αξιολόγησης ↗
- FrontierMath Tier 4Μαθηματικά αιχμής — επίπεδο 4
- Δοκιμάζει το δυσκολότερο επίπεδο προβλημάτων ερευνητικού επιπέδου FrontierMath, ξεχωριστά από τα επίπεδα 1–3. Μεθοδολογία αξιολόγησης ↗
- ProofBenchBenchmark τυπικής μαθηματικής απόδειξης
- Δοκιμάζει την παραγωγή μαθηματικών αποδείξεων που μπορούν να ελεγχθούν από τυπικό επαληθευτή. Μεθοδολογία αξιολόγησης ↗
- GPQA DiamondΑπάντηση ερωτήσεων μεταπτυχιακού επιπέδου — Diamond
- Δοκιμάζει δύσκολες επιστημονικές ερωτήσεις μεταπτυχιακού επιπέδου που απαιτούν εξειδικευμένη γνώση και συλλογιστική. Μεθοδολογία αξιολόγησης ↗
- Humanity's Last ExamΤελική εξέταση ανθρωπότητας
- Αξιολογεί δύσκολες ερωτήσεις επιπέδου ειδικού σε πολλά ακαδημαϊκά αντικείμενα. Είναι ένα benchmark ερωτήσεων-απαντήσεων, διαφορετικό από το Agents' Last Exam. 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.