AI मॉडल क्षमता तुलना
एजेंटिक कोडिंग
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.
| क्र. | मॉडल | 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)
स्रोत: Google DeepMind (model card) ↗
Google मॉडल कार्ड: प्रकाशक के परिणाम और पुनः प्रकाशित तृतीय-पक्ष स्कोर, अक्टूबर 2026 की स्थिति तक। मूल्यांकन सेटिंग्स के लिए कार्यप्रणाली देखें; ये सभी स्वतंत्र मूल्यांकन नहीं हैं। मूल्यांकन पद्धति ↗
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 अपडेटेड 21 अक्टू॰ 2026, 06:01 UTC
स्रोत: Epoch AI, CC BY 4.0 · Vals.ai · Artificial Analysis (artificialanalysis.ai)
स्तंभ गाइड
- क्र.
- केवल प्रदर्शन क्रम। क्रमबद्ध करने पर यह संख्या बदलती है; यह प्रकाशित क्षमता रैंक नहीं है।
- मॉडल
- मूल्यांकित मॉडल का नाम और उसके प्रदाता का आइकन। स्कोर स्तंभ में डैश का अर्थ है कि यहाँ कोई प्रकाशित स्कोर उपलब्ध नहीं है, शून्य नहीं।
- DeepSWE v1.1DeepSWE सॉफ़्टवेयर इंजीनियरिंग v1.1
- दीर्घकालिक सॉफ़्टवेयर इंजीनियरिंग का मूल कार्यों पर परीक्षण करता है, जिसमें सफलता को कार्य आवश्यकताओं के विरुद्ध जाँचा जाता है। समान बेंचमार्क संस्करण और एजेंट सेटअप की तुलना करें। मूल्यांकन पद्धति ↗
- FrontierSWE v2FrontierSWE सॉफ़्टवेयर इंजीनियरिंग v2
- कठिन इंजीनियरिंग और तकनीकी शोध कार्यों का परीक्षण करता है। स्कोर प्रकाशित कार्य मूल्यांकन को दर्शाते हैं, जिसमें संस्करण और एजेंट सेटअप तुलनीयता को प्रभावित करते हैं। मूल्यांकन पद्धति ↗
- Terminal-bench 4.0टर्मिनल बेंचमार्क 4.0
- टर्मिनल वातावरण में व्यावहारिक कार्यों को पूरा करने का परीक्षण करता है, जैसे कोडिंग और सिस्टम संचालन। संस्करण अलग-अलग कार्य सेट का उपयोग करते हैं और उनकी अलग से तुलना की जानी चाहिए। मूल्यांकन पद्धति ↗
- Vibe Code BenchVibe कोडिंग बेंचमार्क
- प्राकृतिक-भाषा अनुरोधों से वेब एप्लिकेशन बनाने का परीक्षण करता है, और अलग-अलग कोड उत्तरों के बजाय परिणामी एप्लिकेशन का मूल्यांकन करता है। मूल्यांकन पद्धति ↗
स्कोर को एक ही बेंचमार्क, स्रोत और संस्करण के भीतर पढ़ें। उच्च मान रिपोर्ट किए गए मीट्रिक पर मजबूत प्रदर्शन दर्शाते हैं, लेकिन अलग-अलग स्तंभ एक सामान्य स्केल साझा नहीं करते।