AI-mallien kyvykkyysvertailu
Tietokoneen käyttö
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 rateAgentin loppukoe — läpäisyprosentti
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| Nro. | Malli | |
|---|---|---|
| 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)
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 ↗
Agent's Last Exam — Pass rate · 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.
- Pisteet
- Testaa pitkän aikavälin ammattimaista työskentelyä todellisissa ohjelmistoympäristöissä. Läpäisyaste laskee mukaan tehtävät, jotka täyttävät vaaditun lopputuloksen, ei pelkästään osittaista edistymistä. Arviointimenetelmä ↗
- Kattavuus
- Vain julkaistut tulokset valituille malliperheille näytetään. OSWorld 2.x, Verified ja Pro tarjoavat tällä hetkellä Claude Opus 5 -konfiguraatiot; tämä ei ole täydellinen kattavuus kaikista malleista. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web ja WorkArena++ eivät ole vielä integroituja tähän. SafeArena mittaa turvallisuutta erikseen, eikä sitä yhdistetä tehtävän suorituspisteisiin. Puuttuvia tuloksia ei koskaan täytetä nollalla.