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 | 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 | 73.1Claude Opus 5.5 | 69.6Claude Opus 5.5 | 63.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 85.4GPT-6 Astra | 72GPT-6 Astra | 68.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — |
| 4 | Claude Fable 5.1 | 68.6Claude Fable 5.1 | 65.6Claude Fable 5.1 | 52.6Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 88.8Gemini 4 Argon | 76Gemini 4 Argon | 57.6Gemini 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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Εργαστηριακό benchmark 2
- Δοκιμάζει εργασίες βιολογικής έρευνας, συμπεριλαμβανομένων επιστημονικών πληροφοριών και ανάλυσης δεδομένων. Τα αποτελέσματα εξαρτώνται από τα διαθέσιμα εργαλεία κατά την αξιολόγηση. Μεθοδολογία αξιολόγησης ↗
- RiemannBenchBenchmark μαθηματικών Riemann
- Δοκιμάζει προβλήματα μαθηματικών επιπέδου έρευνας, πέρα από τις συνήθεις ασκήσεις διαγωνισμών. Οι βαθμολογίες αντικατοπτρίζουν την απόδοση στο benchmark και όχι τη γενική μαθηματική κυριαρχία. Μεθοδολογία αξιολόγησης ↗
- Terminal-Bench Science 0.1Επιστημονικό benchmark τερματικού 0.1
- Δοκιμάζει ροές εργασίας επιστημονικής έρευνας που εκτελούνται μέσω εργαλείων τερματικού. Η έκδοση 0.1 είναι ξεχωριστή από το γενικό σύνολο εργασιών Terminal-Bench. 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.