AI मॉडल क्षमता तुलना
कंप्यूटर उपयोग
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 rateएजेंट अंतिम परीक्षा — उत्तीर्णता दर
— means no published score for this candidate in this source, not zero.3/11 recent-year models have scores
| क्र. | मॉडल | |
|---|---|---|
| 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)
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 ↗
Agent's Last Exam — Pass rate · 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।
- स्कोर
- वास्तविक सॉफ़्टवेयर वातावरणों में दीर्घकालिक पेशेवर कार्य का परीक्षण करता है। पास दर उन कार्यों की गणना करती है जो आवश्यक परिणाम पूरा करते हैं, न कि केवल आंशिक प्रगति। मूल्यांकन पद्धति ↗
- कवरेज
- केवल चयनित मॉडल परिवारों के प्रकाशित परिणाम दिखाए जाते हैं। OSWorld 2.x, Verified और Pro वर्तमान में Claude Opus 5 कॉन्फ़िगरेशन प्रदान करते हैं; यह हर मॉडल का पूर्ण कवरेज नहीं है। Windows Agent Arena, MacArena, ScreenSpot-Pro, OSWorld-Human, WebArena-Verified, VisualWebArena, Online-Mind2Web और WorkArena++ अभी यहाँ एकीकृत नहीं हैं। SafeArena सुरक्षा को अलग से मापता है और कार्य-पूर्णता स्कोर में विलय नहीं किया जाता। अनुपलब्ध परिणामों को कभी शून्य से नहीं भरा जाता।