AI मॉडल क्षमता तुलना
विज्ञान और गणित
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 | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 10/11 recent-year models have scores | 9/11 recent-year models have scores | 4/11 recent-year models have scores |
|---|---|---|---|---|---|---|---|
| 1 |  Claude Opus 5.5 | 31.71maxclaude-opus-5-5_max | 91.23maxclaude-opus-5-5_max | 95maxclaude-opus-5-5_max | 100maxclaude-opus-5-5_max | 90.59maxclaude-opus-5-5_max | — |
| 2 |  GPT-6 Astra | 31.71maxgpt-6-astra_max | 93.68maxgpt-6-astra_max | 97.6highgpt-6-astra_high | 99unknowngpt-6-astra_unknown | 95.77maxgpt-6-astra_max | 54.8unknowngpt-6-astra_unknown |
| 3 | GPT-6.1 Sol | 31.71maxgpt-6.1-sol_max | 93.68maxgpt-6.1-sol_max | 100maxgpt-6.1-sol_max | 99unknowngpt-6.1-sol_unknown | 95.39maxgpt-6.1-sol_max | — |
| 4 | Claude Fable 5.1 | 31.14xhighclaude-fable-5-1_xhigh | 90.18maxclaude-fable-5-1_max | 87.8maxclaude-fable-5-1_max | 100maxclaude-fable-5-1_max | — | 46.5xhighclaude-fable-5-1_xhigh |
| 5 |  Gemini 4 Argon | 27.14highgemini-4-argon_high | 85.96highgemini-4-argon_high | 78.05highgemini-4-argon_high | 99unknowngemini-4-argon_unknown | 96.4highgemini-4-argon_high | — |
| 6 | Claude Sonnet 5.5 | 31.43maxclaude-sonnet-5-5_max | 88.77maxclaude-sonnet-5-5_max | 80.49maxclaude-sonnet-5-5_max | 100maxclaude-sonnet-5-5_max | 95.58maxclaude-sonnet-5-5_max | 46.12xhighclaude-sonnet-5-5_xhigh |
| 7 | Claude Opus 5 | 29.14maxclaude-opus-5_max | 85.61maxclaude-opus-5_max | 73.17maxclaude-opus-5_max | 99maxclaude-opus-5_max | 93.88maxclaude-opus-5_max | — |
| 8 | GPT-6 Sol | 30.86maxgpt-6-sol_max | 89.82maxgpt-6-sol_max | 90maxgpt-6-sol_max | 83unknowngpt-6-sol_unknown | 94.32maxgpt-6-sol_max | — |
| 9 | GPT-6 Luna | 19.43maxgpt-6-luna_max | 78.95maxgpt-6-luna_max | 56.1maxgpt-6-luna_max | 64unknowngpt-6-luna_unknown | 90.47maxgpt-6-luna_max | — |
| 10 | Claude Haiku 5.5 | 22.57xhighclaude-haiku-5-5_xhigh | 75.09maxclaude-haiku-5-5_max | 46.34maxclaude-haiku-5-5_max | 89maxclaude-haiku-5-5_max | 89.65maxclaude-haiku-5-5_max | 30.12unknownclaude-haiku-5-5_unknown |
| 11 | Claude Mythos Preview | — | — | — | — | — | — |
एपॉक एआई बेंचमार्क
स्रोत: Epoch AI, CC BY 4.0 ↗ · अपडेटेड 2026-10-15
CritPt · अपडेटेड 2026-10-15
FrontierMath Tiers 1-3 · अपडेटेड 2026-10-15
FrontierMath Tier 4 · अपडेटेड 2026-10-15
ProofBench · अपडेटेड 2026-10-12
GPQA Diamond · अपडेटेड 2026-10-15
Humanity's Last Exam · अपडेटेड 2026-10-07
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।
- CritPtशोध-स्तरीय भौतिकी समस्याएँ
- आधुनिक भौतिकी क्षेत्रों में अप्रकाशित शोध-स्तरीय भौतिकी समस्याओं पर तर्क का परीक्षण करता है। मूल्यांकन पद्धति ↗
- FrontierMath Tiers 1-3Frontier गणित — स्तर 1-3
- कठिनाई स्तर 1–3 में चुनौतीपूर्ण मौलिक गणित समस्याओं का परीक्षण करता है। इन स्कोरों को अधिक कठिन स्तर 4 के साथ नहीं मिलाया जाना चाहिए। मूल्यांकन पद्धति ↗
- FrontierMath Tier 4Frontier गणित — स्तर 4
- FrontierMath शोध-स्तरीय समस्याओं के सबसे कठिन स्तर का परीक्षण करता है, स्तर 1–3 से अलग। मूल्यांकन पद्धति ↗
- ProofBenchऔपचारिक गणितीय प्रमाण बेंचमार्क
- ऐसे गणितीय प्रमाण तैयार करने का परीक्षण करता है जिन्हें औपचारिक सत्यापनकर्ता द्वारा जाँचा जा सके। मूल्यांकन पद्धति ↗
- GPQA Diamondस्नातकोत्तर-स्तरीय प्रश्न उत्तर — Diamond
- विशेषज्ञ ज्ञान और तर्क की आवश्यकता वाले कठिन स्नातकोत्तर-स्तरीय विज्ञान प्रश्नों का परीक्षण करता है। मूल्यांकन पद्धति ↗
- Humanity's Last Examमानवता अंतिम परीक्षा
- कई अकादमिक विषयों में कठिन विशेषज्ञ-स्तरीय प्रश्नों का परीक्षण करता है। यह एक प्रश्न-उत्तर बेंचमार्क है, जो Agents' Last Exam से अलग 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।