AI-mallien kyvykkyysvertailu
Agenttikoodaus
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.
| Nro. | Malli | 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 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 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)
Lähde: Google DeepMind (model card) ↗
Google-mallikortti: julkaisijan tulokset ja uudelleenjulkaistut kolmannen osapuolen pisteet lokakuun 2026 tilanteen mukaan. Katso arviointiasetukset menetelmäosiosta; nämä eivät ole kaikki riippumattomia arviointeja. Arviointimenetelmä ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
PandaNpc Päivitetty 21.10.2026 klo 06.01 UTC
Lähde: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Sarakkeiden opas
- Nro.
- Vain näyttöjärjestys. Lajittelu muuttaa tätä numeroa; se ei ole julkaistu kyvykkyyssijoitus.
- Malli
- Arvioidun mallin nimi ja sen tarjoajan kuvake. Viiva pistesarakkeessa tarkoittaa, ettei julkaistua pistettä ole saatavilla tässä, ei nollaa.
- DeepSWE v1.1DeepSWE ohjelmistotekniikka v1.1
- Testaa pitkäkestoista ohjelmistotekniikkaa alkuperäisissä tehtävissä, ja onnistuminen tarkistetaan tehtävävaatimuksia vasten. Vertaa samaa benchmark-versiota ja agenttiasetelmaa. Arviointimenetelmä ↗
- FrontierSWE v2FrontierSWE ohjelmistotekniikka v2
- Testaa vaativia tekniikan ja teknisen tutkimuksen tehtäviä. Pisteet heijastavat julkaistua tehtäväarviointia, ja versio ja agenttiasetelma vaikuttavat vertailukelpoisuuteen. Arviointimenetelmä ↗
- Terminal-bench 4.0Päätebenchmark 4.0
- Testaa käytännön tehtävien suorittamista terminaaliympäristössä, kuten koodausta ja järjestelmätoimintoja. Versiot käyttävät erilaisia tehtäväjoukkoja, ja ne tulee vertailla erikseen. Arviointimenetelmä ↗
- Vibe Code BenchVibe-koodausbenchmark
- Testaa verkkosovellusten rakentamista luonnollisen kielen pyynnöistä, arvioiden syntyvää sovellusta yksittäisten koodivastausten sijaan. Arviointimenetelmä ↗
Lue pisteet saman vertailutestin, lähteen ja version sisällä. Korkeammat arvot osoittavat vahvempaa suoritusta raportoidulla mittarilla, mutta eri sarakkeilla ei ole yhteistä asteikkoa.