השוואת יכולות מודלי AI
עבודת ידע
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 Indexמדד משולב Vals
— means no published score for this candidate in this source, not zero.7/11 recent-year models have scores
| מס' | מודל | Cost / Testעלות לבדיקה | Input costמחיר קלט למיליון token | Output costמחיר פלט למיליון token | Durationמשך הבדיקה המדווח | Input / Output Tokensשימוש מדווח ב-token של קלט / פלט | |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Sonnet 5.5Claude Sonnet 5.5 | 70.85 | $18.7 | $2 | $10 | 86 min | 45.09B / 654.94M |
| 2 | Claude Opus 5.5Claude Opus 5.5 | 70.18 | $28.12 | $4 | $20 | 85 min | 31.96B / 499.75M |
| 3 |  Gemini 4 ArgonGemini 4 Argon | 69.24 | $13.37 | $4 | $20 | 44.97 min | 13.36B / 146.17M |
| 4 |  GPT-6 AstraGPT-6 Astra | 65.02 | $21.28 | $10 | $50 | 33.65 min | 4.92B / 96.77M |
| 5 | GPT-6.1 SolGPT-6.1 Sol | 63.94 | $3.61 | $2 | $10 | 44.4 min | 5.49B / 103.20M |
| 6 | Claude Haiku 5.5Claude Haiku 5.5 | 58.71 | $3.17 | $0.1 | $0.5 | 49.8 min | 23.07B / 765.85M |
| 7 | GPT-6 LunaGPT-6 Luna | 52.32 | $0.45 | $0.1 | $0.5 | 32.38 min | 10.05B / 202.17M |
PandaNpc עודכן 21 באוק׳ 2026, 06:01 UTC
מקור: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
מדריך עמודות
- מס'
- סדר תצוגה בלבד. המיון משנה את המספר הזה; זה אינו דירוג יכולת מפורסם.
- מודל
- שם המודל המוערך והאייקון של הספק שלו. מקף בעמודת ציון מציין שלא זמין כאן ציון מפורסם, ולא אפס.
- Cost / Test
- עלות לבדיקה · USD
- Input cost
- מחיר קלט למיליון token · USD / 1M tokens
- Output cost
- מחיר פלט למיליון token · USD / 1M tokens
- Duration
- משך הבדיקה המדווח · s / min
- Input / Output Tokens
- שימוש מדווח ב-token של קלט / פלט · tokens
- Vals.ai
- עלויות וזמנים מדווחים על ידי Vals עבור בנצ'מרק זה, ולא מחירי מודלים או השהיה אוניברסליים. עלות ה-API המשוערת של CUA-bench מכסה שימוש בהערכה והיא אומדן חסם תחתון, לא עלות לכל משימה; זמן לפעולה הוא ממוצע, לא חציון. כוכבית מסמנת התנהגות prompt-cache ביום ההשקה שהגדילה את עלויות הכתיבה למטמון. ערכים חסרים לא פורסמו, לא אפס.
- Vals Finance Agent v2סוכן פיננסי Vals v2
- בודק ניתוח פיננסי עם כלי חיפוש, דוחות כספיים וחישוב, כולל בדיקות נתונים חוצות מסמכים, השוואות ביצועי חברות ותמחור. המדד העיקרי הוא Partial Credit, בממוצע על פני שלוש הרצות: בדיקות תשובה מקבלות משקלים מבוססי חומרה, ושגיאת מכשול קריטית מאפסת את הציון של אותה שאלה. גבוה יותר עדיף. זה נבדל מהמדד הנפרד All-Pass ואינו שיעור מעבר של שאלה שלמה. מתודולוגיית הערכה ↗
- Harvey's Legal Agent Benchmarkבנצ'מרק סוכן משפטי של Harvey
- בודק סוכנים הקוראים ועורכים קבצים כדי להפיק תוצרי עבודה משפטיים רב-שלביים. משימה עוברת רק כאשר כל דרישת ניקוד מתמלאת. הציון הוא שיעור המעבר הממוצע של משימות משני שופטים; גבוה יותר עדיף. זה אינו אחוז הקריטריונים הבודדים שעברו, והוא מודד תהליכי עבודה של סוכנים משפטיים ולא את שאלות החשיבה המשפטית של LegalBench. מתודולוגיית הערכה ↗
- Vals Indexמדד משולב Vals
- מדד מורכב של משימות מקצועיות בתחומים כגון פיננסים, קוד ומשפטים. ציון האחוזים שלו משלב תוצאות בנצ'מרק באמצעות שיטת השקלול של אותה גרסה שפורסמה; גבוה יותר פירושו ביצועים כוללים חזקים יותר, ולא דיוק של משימה בודדת. התחומים והמשקלים הכלולים משתנים בין גרסאות, ולכן אין להחיל מתודולוגיה חדשה בדיעבד על תצלומי ציונים ישנים. מתודולוגיית הערכה ↗
- LegalBenchבנצ'מרק חשיבה משפטית
- בודק הבנה וחשיבה על טקסט משפטי, כולל זיהוי סוגיות משפטיות, היזכרות ויישום כללים, והערכת מסקנות משפטיות. הציון הוא דיוק בשאלות חשיבה משפטית; גבוה יותר עדיף. שלא כמו Harvey's Legal Agent Benchmark, הוא אינו מודד סוכן שמייצר תוצרי עבודה משפטיים רב-שלביים על ידי עריכת קבצים. מתודולוגיית הערכה ↗