AI मॉडल क्षमता तुलना
ज्ञान कार्य
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 | 42.5ScoreClaude Opus 5.5 | 3.8Claude Opus 5.5 | 58.6Claude Opus 5.5 | 67Claude Opus 5.5 |
| 2 |  GPT-6 Astra | 41.4ScoreGPT-6 Astra | 5.4GPT-6 Astra | 53.5GPT-6 Astra | 63.1GPT-6 Astra |
| 3 | GPT-6.1 Sol | — | — | — | — |
| 4 | Claude Fable 5.1 | 31.4ScoreClaude Fable 5.1 | 6.7Claude Fable 5.1 | 58.9Claude Fable 5.1 | 65.8Claude Fable 5.1 |
| 5 |  Gemini 4 Argon | 51.3ScoreGemini 4 Argon | 19.6Gemini 4 Argon | 65.4Gemini 4 Argon | 68.9Gemini 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 ↗
AutomationBench — Score · Source date unknown
Harvey's Legal Agent Benchmark · Source date unknown
Vals Finance Agent v2 · Source date unknown
Vals Index · 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।
- AutomationBench — Scoreऑटोमेशन बेंचमार्क — स्कोर
- परीक्षण करता है कि कोई एजेंट कई अनुप्रयोगों में व्यावसायिक वर्कफ़्लो पूरे करता है या नहीं। आधिकारिक स्कोर एक निजी कार्य सेट का उपयोग करते हैं और वर्कफ़्लो की अंतिम स्थिति की जाँच करते हैं। मूल्यांकन पद्धति ↗
- Harvey's Legal Agent BenchmarkHarvey कानूनी एजेंट बेंचमार्क
- फ़ाइलों को पढ़ने और संपादित करके बहु-चरणीय कानूनी कार्य उत्पाद बनाने वाले एजेंटों का परीक्षण करता है। कोई कार्य तभी पास होता है जब हर ग्रेडिंग आवश्यकता पूरी हो। स्कोर दो जजों से औसत कार्य पास दर है; अधिक बेहतर है। यह पास हुए व्यक्तिगत मानदंडों का प्रतिशत नहीं है, और यह LegalBench के कानूनी तर्क प्रश्नों के बजाय कानूनी एजेंट वर्कफ़्लो को मापता है। मूल्यांकन पद्धति ↗
- Vals Finance Agent v2Vals वित्त एजेंट v2
- खोज, वित्तीय रिपोर्ट और गणना उपकरणों के साथ वित्तीय विश्लेषण का परीक्षण करता है, जिसमें क्रॉस-डॉक्युमेंट डेटा जाँच, कंपनी प्रदर्शन तुलना और मूल्यांकन शामिल हैं। मुख्य मेट्रिक Partial Credit है, जिसे तीन रनों पर औसत किया जाता है: उत्तर जाँचों को गंभीरता-आधारित भार मिलते हैं, और एक महत्वपूर्ण निर्णायक त्रुटि उस प्रश्न का स्कोर शून्य कर देती है। अधिक बेहतर है। यह अलग All-Pass मेट्रिक से भिन्न है और पूरे प्रश्न का पास दर नहीं है। मूल्यांकन पद्धति ↗
- Vals IndexVals समग्र सूचकांक
- वित्त, कोडिंग और कानून जैसे क्षेत्रों में पेशेवर कार्यों का एक समग्र सूचकांक। इसका प्रतिशत स्कोर उस प्रकाशित संस्करण के लिए भारांकन विधि का उपयोग करके बेंचमार्क परिणामों को जोड़ता है; अधिक का अर्थ है बेहतर समग्र प्रदर्शन, किसी एकल कार्य की सटीकता नहीं। शामिल डोमेन और भार संस्करणों के अनुसार बदलते हैं, इसलिए नई पद्धति को पुराने स्कोर स्नैपशॉट पर पूर्वव्यापी रूप से लागू नहीं किया जाना चाहिए। 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।