AI-mallien kyvykkyysvertailu
Tiede ja matematiikka
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 |
|---|---|---|---|---|
| 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)
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 ↗
LABBench 2 · Source date unknown
RiemannBench · Source date unknown
Terminal-Bench Science 0.1 · 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.
- LABBench 2Laboratoriobenchmark 2
- Testaa biologian tutkimustehtäviä, mukaan lukien tieteellinen tieto ja data-analyysi. Tulokset riippuvat arvioinnin aikana saatavilla olevista työkaluista. Arviointimenetelmä ↗
- RiemannBenchRiemannin matematiikkabenchmark
- Testaa tutkimustason matematiikan ongelmia, jotka ylittävät tavanomaiset kilpailutehtävät. Pisteet heijastavat suoriutumista benchmarkissa, eivät yleistä matemaattista osaamista. Arviointimenetelmä ↗
- Terminal-Bench Science 0.1Tieteellinen päätebenchmark 0.1
- Testaa tieteellisen tutkimuksen työnkulkuja, jotka toteutetaan terminaalityökalujen kautta. Versio 0.1 on erillinen yleisestä Terminal-Bench-tehtäväjoukosta. Arviointimenetelmä ↗
Lue pisteet saman vertailutestin, lähteen ja version sisällä. Korkeammat arvot osoittavat vahvempaa suoritusta raportoidulla mittarilla, mutta eri sarakkeilla ei ole yhteistä asteikkoa.