Comparaison des capacités des modèles d'IA
Utilisation d'ordinateur
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 rateExamen final d'agent — taux de réussite
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| N° | Modèle | |
|---|---|---|
| 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)
Source: Google DeepMind (model card) ↗
Fiche de modèle Google : résultats de l'éditeur et scores tiers republiés, en date d'octobre 2026. Voir la méthodologie pour les paramètres d'évaluation ; ce ne sont pas toutes des évaluations indépendantes. Méthodologie d'évaluation ↗
Agent's Last Exam — Pass rate · Source date unknown
PandaNpc Mis à jour 21 oct. 2026, 06:01 UTC
Source: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
Guide des colonnes
- N°
- Ordre d'affichage uniquement. Le tri modifie ce numéro ; il ne s'agit pas d'un classement de capacité publié.
- Modèle
- Le nom du modèle évalué et l'icône de son fournisseur. Un tiret dans une colonne de score signifie qu'aucun score publié n'est disponible ici, et non un zéro.
- Score
- Teste le travail professionnel à long horizon dans de vrais environnements logiciels. Le taux de réussite compte les tâches qui atteignent le résultat requis, et non seulement les progrès partiels. Méthodologie d'évaluation ↗
- Couverture
- Seuls les résultats publiés pour les familles de modèles sélectionnées sont affichés. OSWorld 2.x, Verified et Pro fournissent actuellement des configurations Claude Opus 5 ; il ne s'agit pas d'une couverture complète de tous les modèles. Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web et WorkArena++ ne sont pas encore intégrés ici. SafeArena mesure la sécurité séparément et n'est pas fusionné dans les scores d'achèvement des tâches. Les résultats manquants ne sont jamais remplis par zéro.