AI-mallien kyvykkyysvertailu
Tietotyö
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.
Vals Finance Agent v2Vals talousagentti v2
— means no published score for this candidate in this source, not zero.10/11 recent-year models have scores
| Nro. | Malli | Cost / TestKustannus per testi | Input costSyötteen hinta miljoonaa tokenia kohti | Output costTuotoksen hinta miljoonaa tokenia kohden | DurationIlmoitettu testin kesto | |
|---|---|---|---|---|---|---|
| 1 |  Gemini 4 ArgonGemini 4 Argon | 65.4 | $4.38 | $4 | $20 | 16.35 min |
| 2 |  Claude Fable 5.1Claude Fable 5.1 | 58.88 | $8.35 | $10 | $50 | 18.23 min |
| 3 | Claude Opus 5Claude Opus 5 | 58.63 | $5.12 | $5 | $25 | 9.97 min |
| 4 | Claude Opus 5.5Claude Opus 5.5 | 58.59 | $9.22 | $4 | $20 | 33.13 min |
| 5 | Claude Sonnet 5.5Claude Sonnet 5.5 | 58.1 | $6.55 | $2 | $10 | 31.72 min |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 54.14 | $1.64 | $0.1 | $0.5 | 30.82 min |
| 7 |  GPT-6 AstraGPT-6 Astra | 53.54 | $6.82 | $10 | $50 | 11.55 min |
| 8 | GPT-6.1 SolGPT-6.1 Sol | 52.03 | $1.62 | $2 | $10 | 15.42 min |
| 9 | GPT-6 LunaGPT-6 Luna | 49.87 | $0.12 | $0.1 | $0.5 | 14.97 min |
| 10 | GPT-6 SolGPT-6 Sol | 49.05 | $2.12 | $2 | $10 | 9 min |
Vals.ai-vertailutestit
Lähde: Vals.ai ↗ · Päivitetty 2026-10-19
Vals Finance Agent v2 · Päivitetty 2026-10-18
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.
- Cost / Test
- Kustannus per testi · USD
- Input cost
- Syötteen hinta miljoonaa tokenia kohti · USD / 1M tokens
- Output cost
- Tuotoksen hinta miljoonaa tokenia kohden · USD / 1M tokens
- Duration
- Ilmoitettu testin kesto · s / min
- Vals.ai
- Vals ilmoittaa tämän benchmarkin kustannukset ja ajat, eivät yleisiä mallihintoja tai latenssia. CUA-benchin arvioitu API-kustannus kattaa arviointikäytön ja on alarajan arvio, ei kustannus tehtävää kohti; aika toimintoa kohti on keskiarvo, ei mediaani. Tähti merkitsee julkaisupäivän prompt-cache-käyttäytymistä, joka nosti cache-kirjoituskustannuksia. Puuttuvat arvot ovat julkaisemattomia, eivät nollia.
- Vals Finance Agent v2Vals talousagentti v2
- Testaa talousanalyysiä haun, talousraporttien ja laskentatyökalujen avulla, mukaan lukien asiakirjojen väliset tietotarkistukset, yritysten suorituskykyvertailut ja arvonmääritys. Päämittari on Partial Credit, joka keskiarvoistetaan kolmen ajon yli: vastaustarkistukset saavat vakavuuteen perustuvat painot, ja kriittinen dealbreaker-virhe tekee kyseisen kysymyksen pistemääräksi nollan. Korkeampi on parempi. Tämä eroaa erillisestä All-Pass-mittarista eikä ole koko kysymyksen läpäisyaste. Arviointimenetelmä ↗
- Harvey's Legal Agent BenchmarkHarveyn oikeudellinen agenttibenchmark
- Testaa agentteja, jotka lukevat ja muokkaavat tiedostoja tuottaakseen monivaiheisia oikeudellisia työtuotteita. Tehtävä läpäisee vain, kun jokainen arvosteluvaatimus täyttyy. Pistemäärä on kahden arvioijan keskimääräinen tehtävän läpäisyaste; korkeampi on parempi. Se ei ole yksittäisten kriteerien läpäisyprosentti, ja se mittaa oikeudellisten agenttien työnkulkuja eikä LegalBenchin oikeudellisen päättelyn kysymyksiä. Arviointimenetelmä ↗
- Vals IndexVals-yhdistelmäindeksi
- Yhdistelmäindeksi ammattimaisista tehtävistä muun muassa talouden, koodauksen ja oikeuden aloilta. Sen prosentuaalinen pistemäärä yhdistää benchmark-tulokset kyseisen julkaistun version painotusmenetelmällä; korkeampi tarkoittaa vahvempaa kokonaissuoritusta, ei yksittäisen tehtävän tarkkuutta. Mukana olevat osa-alueet ja painot muuttuvat versioiden välillä, joten uudempaa menetelmää ei saa soveltaa takautuvasti vanhempiin pistetulosten tilannekuviin. Arviointimenetelmä ↗
- LegalBenchOikeudellisen päättelyn benchmark
- Testaa oikeudellisen tekstin ymmärtämistä ja päättelyä, mukaan lukien oikeudellisten kysymysten tunnistaminen, sääntöjen muistaminen ja soveltaminen sekä oikeudellisten johtopäätösten arviointi. Pistemäärä on tarkkuus oikeudellisen päättelyn kysymyksissä; korkeampi on parempi. Toisin kuin Harvey's Legal Agent Benchmark, se ei mittaa agentin kykyä tuottaa monivaiheisia oikeudellisia työtuotteita tiedostoja muokkaamalla. Arviointimenetelmä ↗