השוואת יכולות מודלי AI
קידוד סוכני
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.
| מס' | מודל | 4/11 recent-year models have scores | 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 | 74.2Claude Opus 5.5 | 62.3Claude Opus 5.5 | 66.4Claude Opus 5.5 | 90.3Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 74.1GPT-6 Astra | 65.5GPT-6 Astra | 58.2GPT-6 Astra | 89.6GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 67.4Claude Fable 5.1 | 56.3Claude Fable 5.1 | 57.9Claude Fable 5.1 | 90.3Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 77.9Gemini 4 Argon | 55Gemini 4 Argon | 57.4Gemini 4 Argon | 91.9Gemini 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)
מקור: Google DeepMind (model card) ↗
כרטיס המודל של Google: תוצאות המפרסם וציוני צד שלישי שפורסמו מחדש, נכון לאוקטובר 2026. ראו מתודולוגיה להגדרות ההערכה; לא כל אלה הערכות בלתי תלויות. מתודולוגיית הערכה ↗
DeepSWE v1.1 · Source date unknown
FrontierSWE v2 · Source date unknown
Terminal-bench 4.0 · Source date unknown
Vibe Code Bench · Source date unknown
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.
- DeepSWE v1.1הנדסת תוכנה DeepSWE v1.1
- בודק הנדסת תוכנה לטווח ארוך במשימות מקוריות, כאשר ההצלחה נבדקת מול דרישות המשימה. יש להשוות את אותה גרסת בנצ'מרק והגדרת סוכן. מתודולוגיית הערכה ↗
- FrontierSWE v2הנדסת תוכנה FrontierSWE v2
- בודק משימות הנדסה ומחקר טכני קשות. הציונים משקפים את הערכת המשימה שפורסמה, כאשר הגרסה והגדרת הסוכן משפיעות על יכולת ההשוואה. מתודולוגיית הערכה ↗
- Terminal-bench 4.0בנצ'מרק טרמינל 4.0
- בודק השלמת משימות מעשיות בסביבת מסוף, כגון כתיבת קוד ותפעול מערכות. גרסאות משתמשות בסטים שונים של משימות ויש להשוותן בנפרד. מתודולוגיית הערכה ↗
- Vibe Code Benchבנצ'מרק קידוד Vibe
- בודק בניית יישומי ווב מבקשות בשפה טבעית, תוך הערכת היישום שנוצר ולא תשובות קוד מבודדות. מתודולוגיית הערכה ↗
קראו ציונים בתוך אותו בנצ'מרק, אותו מקור ואותה גרסה. ערכים גבוהים יותר מצביעים על ביצועים חזקים יותר במדד המדווח, אך עמודות שונות אינן חולקות סקאלה משותפת.